Perovskite-R1 : un grand modèle de langage spécialisé dans un domaine pour la découverte intelligente d’additifs précurseurs et la conception expérimentale

Des assistants plus intelligents pour une meilleure énergie solaire

Les cellules solaires à pérovskite représentent l’une des voies les plus prometteuses pour une énergie solaire moins coûteuse et plus efficace, mais transformer les percées de laboratoire en panneaux commerciaux durables reste difficile. De minuscules additifs chimiques peuvent améliorer considérablement ces matériaux, pourtant choisir les bons revient à chercher une aiguille dans une meule de foin de dizaines de milliers de possibilités et de milliers d’articles scientifiques. Cette étude présente Perovskite‑R1, un système d’intelligence artificielle spécialisé conçu pour lire la littérature, raisonner en chimie et proposer des protocoles plus fiables pour fabriquer des cellules solaires à pérovskite haute performance.

Pourquoi les cellules solaires à pérovskite ont besoin d’un coup de pouce

Les cellules solaires à pérovskite ont bondi de quelques pourcents d’efficacité à près de 27 % en un peu plus d’une décennie, rivalisant avec les meilleures cellules au silicium tout en étant plus faciles et moins coûteuses à traiter en solution. Leur talon d’Achille est la stabilité : la couche absorbant la lumière peut se dégrader sous l’effet de la chaleur, de l’humidité et d’un fonctionnement prolongé, surtout si sa structure cristalline comporte de nombreux défauts. Un moyen éprouvé de renforcer ces films consiste à ajouter des molécules soigneusement choisies à la solution de départ, qui guident la croissance des cristaux et aident à « réparer » les imperfections. Mais avec l’explosion de la littérature scientifique sur les pérovskites et l’espace chimique presque infini, l’essai‑erreur humain et l’intuition peinent à suivre.

Former un expert IA dans un champ restreint

Les chercheurs ont abordé ce problème en construisant Perovskite‑R1, un grand modèle de langage affiné spécifiquement pour la chimie des pérovskites. Ils ont commencé par constituer une sélection de 1 232 articles de recherche de haute qualité portant sur l’influence des additifs sur les films de pérovskite, incluant leur synthèse, leur structure et leurs performances. Ils ont également assemblé une bibliothèque de 33 269 petites molécules « de type médicament » aux structures diversifiées susceptibles de servir d’additifs candidats. En utilisant un autre modèle d’IA puissant, ils ont transformé les articles et les descriptions de molécules en près de 10 000 exemples question‑réponse incluant des étapes de raisonnement explicites. Ces exemples ont ensuite servi à réentraîner un modèle de langage existant afin qu’il puisse parler des pérovskites de façon détaillée et prête pour le laboratoire, plutôt que seulement en termes scientifiques généraux.

Des invites textuelles à des protocoles de laboratoire concrets

Perovskite‑R1 ne se contente pas de répondre à des quiz ; il est guidé par des invites soigneusement construites qui imitent la manière dont un scientifique formulerait une tâche de conception. Chaque invite explique l’objectif (par exemple, trouver des additifs qui réduisent les défauts dans une composition de pérovskite spécifique), énumère des critères scientifiques (comme les types de liaisons chimiques que l’additif devrait former ou comment il devrait influencer la croissance des cristaux) et précise la sortie attendue (molécules candidates, concentrations suggérées et mécanismes prévus). Le modèle peut puiser dans ses connaissances apprises, « cribler » virtuellement des milliers de molécules et fournir une liste restreinte accompagnée de sa chaîne de pensée expliquant pourquoi chaque choix devrait fonctionner. Des tests de référence montrent que, sur des questions de raisonnement spécifiques aux pérovskites allant du basique au très difficile, Perovskite‑R1 surpasse de façon constante plusieurs modèles de langage généralistes de premier plan.

Mettre à l’épreuve les ingrédients choisis par l’IA

Pour vérifier si ces idées tiennent en laboratoire, l’équipe a demandé à Perovskite‑R1 de sélectionner des additifs prometteurs, puis les a comparés à des molécules choisies par des chercheurs expérimentés utilisant l’intuition chimique conventionnelle. Les quatre candidats — deux choisis par l’IA et deux par des humains — présentaient des caractéristiques apparemment sensées, telles que des groupes fonctionnels capables de se lier aux composants au plomb et à l’iode de la pérovskite. Les additifs ont été incorporés dans des cellules solaires à pérovskite identiques à la même faible concentration, et 24 dispositifs ont été fabriqués et testés pour chaque cas. Les molécules sélectionnées par l’IA ont augmenté de façon constante l’efficacité moyenne et rendu les performances plus reproductibles, alors que les additifs choisis manuellement ont en réalité dégradé à la fois l’efficacité et la fiabilité, malgré leur apparente pertinence sur le papier.

Comment le raisonnement de l’IA correspondait à la chimie réelle

Au‑delà des chiffres bruts, les chercheurs ont sondé pourquoi les additifs choisis par l’IA fonctionnaient mieux. Perovskite‑R1 avait prédit qu’une molécule formerait des liaisons de coordination avec les ions plomb, tandis qu’une autre établirait des liaisons hydrogène stabilisantes au sein du cristal. Des expériences complémentaires de spectroscopie infrarouge ont effectivement montré les déplacements attendus des vibrations de liaison, confirmant ces interactions. Les dispositifs contenant les additifs sélectionnés par l’IA présentaient également moins de défauts électriquement actifs et conservaient leurs performances plus longtemps sous chaleur et stockage, tandis que les dispositifs témoins et ceux avec additifs choisis par des humains se sont dégradés plus rapidement. Ces résultats suggèrent que Perovskite‑R1 capture des relations structure‑fonction significatives plutôt que de produire des coups de chance.

Ce que cela signifie pour la découverte future de matériaux

Ce travail montre qu’un modèle de langage adapté à un domaine peut agir comme un partenaire pratique dans la recherche expérimentale sur les matériaux, réduisant la recherche d’additifs efficaces de dizaines de milliers d’options à une liste restreinte, de haute qualité et exploitable. Perovskite‑R1 ne remplace pas le travail de laboratoire ; il génère plutôt des hypothèses bien argumentées que les scientifiques peuvent tester, accélérant la découverte tout en mettant mieux à profit les connaissances existantes. Les auteurs envisagent d’étendre la même approche à d’autres aspects des dispositifs à pérovskite — tels que les interfaces et les architectures multicouches — et, à terme, de coupler des modèles comme Perovskite‑R1 à des plates‑formes de synthèse automatisées. Pour les non‑spécialistes, le message clé est que des systèmes d’IA soigneusement entraînés peuvent désormais aider à concevoir des matériaux solaires meilleurs de manière ciblée et explicable, rapprochant des technologies pérovskites durables et à haute efficacité de l’usage quotidien.

Citation: Wang, XD., Chen, ZR., Guo, PJ. et al. Perovskite-R1: a domain-specialized large language model for intelligent discovery of precursor additives and experimental design. Commun Mater 7, 86 (2026). https://doi.org/10.1038/s43246-026-01099-9

Mots-clés: cellules solaires pérovskites, découverte de matériaux, grands modèles de langage, additifs précurseurs, intelligence artificielle en chimie