Perovskite-R1: מודל שפה גדול ממוקד תחום לגילוי חכם של תוספים פרקורסור ותכנון ניסויי

עוזרים חכמים יותר לטובת אנרגיית שמש טובה יותר

תאי שמש פרובסקיט הם אחד הנתיבים המבטיחים לזול יותר ויעיל יותר של אנרגיית שמש, אך הפיכת פריצות דרך במעבדה לפאנלים מסחריים עמידים לאורך זמן נותרת מאתגרת. תוספים כימיים זעירים יכולים לשפר באופן דרמטי חומרים אלה, אך בחירת התוספים הנכונים דומה לחיפוש מחט בערימת שחת של עשרות אלפי אפשרויות ואלפי מאמרים. במחקר זה מוצג Perovskite‑R1, מערכת בינה מלאכותית ממוקדת שתחומה לקרוא את הספרות, להסיק מסקנות על כימיה ולהציע מתכונים מהימנים יותר להכנת תאי שמש פרובסקיט בעלי ביצועים גבוהים.

מדוע תאי שמש פרובסקיט זקוקים לחיזוק

תאי שמש פרובסקיט זינקו מאחוזים בודדים לכתב כמעט 27% תוך מעט יותר מעשור, ומתחרים בתאי הסיליקון הטובים ביותר כאשר הם גם קלים וזולים יותר לעיבוד מפתרון. העקב האחר שלהן הוא היציבות: שכבת הספיגה של האור עלולה להתדרדר בחום, בלחות ובתפעול ארוך טווח, במיוחד אם מבנה היחידה הגלית מכיל פגמים רבים. דרך מוכחת לחזק את הסרטים האלה היא להוסיף לממס ההתחלתי מולקולות שנבחרו בקפידה, שמנחות את אופן גידול הגבישים ועוזרות "לתקן" פגמים. אך עם ההצפה של הספרות המדעית על פרובסקיטים ומרחב כימי כמעט אינסופי, ניסוי וטעייה ואינטואיציה אנושית מתקשים לעמוד בקצב.

לאמן מומחה AI בתחום צר

החוקרים טיפלו בבעיה זו על ידי בניית Perovskite‑R1, מודל שפה גדול המותאם במיוחד לכימיה של פרובסקיטים. הם התחילו באיסוף 1,232 מאמרי מחקר איכותיים שהתמקדו באיך תוספים משפיעים על סרטי פרובסקיט, כולל סינתזה, מבנה וביצועים. כמו כן הם הרכיבו ספרייה של 33,269 מולקולות קטנות "בדומות לתרופה" עם מבנים מגוונים שעשויות לשמש כתוספים מועמדים. באמצעות מודל בינה מלאכותית חזק נוסף הם המירו את המאמרים ותיאורי המולקולות לכמעט 10,000 דוגמאות שאלות-ותשובות הכוללות שלבי הסקה מפורשים. דוגמאות אלה שימשו לאימון מחדש של מודל שפה קיים כך שיוכל לדבר על פרובסקיטים באופן מפורט ומוכן למעבדה במקום רק במונחים מדעיים כלליים.

מניסוח טקסט למתכונים ניסויים מוחשיים

Perovskite‑R1 לא רק עונה על שאלות חידון; הוא מונחה בעידון על ידי פרומפטים שנבנו בקפידה המדמים את הדרך שבה מדען היה מנוסח מטלה של עיצוב. כל פרומפט מסביר את המטרה (למשל, למצוא תוספים שמפחיתים פגמים בהרכב פרובסקיט ספציפי), מפרט קריטריונים מדעיים (כגון סוגי הקשרים הכימיים שהתוסף צריך ליצור או כיצד עליו להשפיע על גידול הגביש) ומציין את הפלט הרצוי (מולקולות מועמדות, ריכוזים מוצעים ומנגנונים צפויים). המודל יכול לסרוק את הידע שנלמד, "לסנן" באופן וירטואלי אלפי מולקולות ולהחזיר רשימה קצרה יחד עם שרשרת החשיבה שלו שמסבירה מדוע כל בחירה אמורה לעבוד. מבחני סמך מראים כי, בשאלות הסקת מסקנות הממוקדות בפרובסקיט הנעות מבסיסיות למאתגרות מאוד, Perovskite‑R1 מתעלה בעקביות על מספר מודלים שפתיים כלליים מובילים.

לבדוק במעבדה מרכיבים שנבחרו על ידי AI

כדי לבדוק האם רעיונות אלה מחזיקים במעבדה, הצוות ביקש מ‑Perovskite‑R1 לבחור תוספים מבטיחים והשווה אותם למולקולות שנבחרו על ידי חוקרים מנוסים באינטואיציה כימית מסורתית. כל ארבעת המועמדים—שניים מה‑AI ושניים מהאנשים—שיתפו תכונות שנראו הגיוניות, כגון קבוצות פונקציונליות שיכולות לקשור יוני עופרת ויוד של הפרובסקיט. התוספים נמסו בתאי פרובסקיט זהים באותו ריכוז נמוך, ונבנו ונבדקו 24 התקנים עבור כל מקרה. המולקולות שנבחרו על ידי ה‑AI הגבירו בעקביות את היעילות הממוצעת ועשו את הביצועים ליותר משוחזרים, בעוד התוספים שנבחרו ידנית דווקא הורידו גם את היעילות וגם את האמינות, על אף שנראו סבירים על הנייר.

כיצד ההסקה של ה‑AI תאמה לכימיה אמיתית

מעבר למספרים הכבדים, החוקרים בדקו מדוע התוספים שבחר ה‑AI עבדו טוב יותר. Perovskite‑R1 חזה שמולקולה אחת תיצור קשרי קואורדינציה עם יוני עופרת, בעוד שאחרת תיצור קשרי מימן שמייצבים בתוך הגביש. ניסויי ספקטרוסקופיית תת‑אדום שבוצעו אחר כך אכן הראו את ההסטות הצפויות ברעידות הקשרים, ואישרו אינטראקציות אלו. התקנים עם תוספים שנבחרו על ידי ה‑AI גם הציגו פחות פגמים פעילים חשמלית ושמרו על ביצועיהם לאורך זמן תחת חום ואחסון, בעוד התקנים בקרה ואלה עם תוספים שנבחרו על ידי בני אדם התדרדרו מהר יותר. תוצאות אלה מרמזות כי Perovskite‑R1 לוכד קשרי מבנה‑פונקציה משמעותיים במקום להסתמך על ניחושים מזליים.

מה משמעות הדבר לגילוי חומרים בעתיד

העבודה מראה שמודל שפה מותאם לתחום יכול לשמש כשותף מעשי במחקר ניסויי של חומרים, ומהדק את החיפוש אחרי תוספים אפקטיביים מעשרות אלפי אפשרויות לרשימה קצרה, איכותית ונגישה. Perovskite‑R1 אינו מחליף עבודה במעבדה; במקום זאת, הוא מייצר השערות נבונות שמדענים יכולים לבדוק, מזרז את הגילוי תוך שימוש טוב יותר בידע הקיים. הסוקרים צופים להרחיב את אותה גישה להיבטים נוספים של מכשירי פרובסקיט — כגון ממשקים וארכיטקטורות רב‑שכבה — ולבסוף לקשר מודלים כמו Perovskite‑R1 עם פלטפורמות סינתזה אוטומטיות. עבור שאינם מומחים, המסר המרכזי הוא שמערכות AI מאומנות בקפידה יכולות כעת לסייע בתכנון חומרים סולאריים טובים יותר באופן ממוקד ומסביר, ולהקשות את טכנולוגיות הפרובסקיט העמידות והיעילות לשימוש יומיומי בקרוב יותר.

ציטוט: 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

מילות מפתח: תאי שמש פרובסקיט, גילוי חומרים, מודלים שפתיים גדולים, תוספי פרקורסור, בינה מלאכותית בכימיה