Perovskite-R1: un modello di linguaggio di grandi dimensioni specializzato per la scoperta intelligente di additivi precursori e progettazione sperimentale

Assistenti più intelligenti per un migliore sfruttamento dell’energia solare

Le celle solari a perovskite sono una delle vie più promettenti per ottenere energia solare più economica ed efficiente, ma trasformare le scoperte di laboratorio in pannelli commerciali duraturi resta difficile. Piccoli additivi chimici possono migliorare notevolmente questi materiali, tuttavia scegliere quelli giusti è come cercare un ago in un pagliaio di decine di migliaia di possibilità e migliaia di articoli scientifici. Questo studio presenta Perovskite‑R1, un sistema di intelligenza artificiale specializzato progettato per leggere la letteratura, ragionare sulla chimica e proporre ricette più affidabili per la produzione di celle solari a perovskite ad alte prestazioni.

Perché le celle a perovskite hanno bisogno di un potenziamento

Le celle solari a perovskite sono passate da poche percentuali di efficienza a quasi il 27% in poco più di un decennio, rivaleggiando con le migliori celle al silicio e risultando al contempo più semplici ed economiche da processare in soluzione. Il loro tallone d’Achille è la stabilità: lo strato assorbente può degradarsi per effetto di calore, umidità e funzionamento prolungato, specialmente se la struttura cristallina contiene molti difetti. Un modo comprovato per rafforzare questi film è aggiungere alla soluzione iniziale molecole scelte con cura, che guidano la crescita dei cristalli e aiutano a “riparare” i difetti. Ma con la letteratura sulle perovskiti in rapida crescita e lo spazio chimico quasi infinito, il metodo umano del tentativo ed errore e l’intuito faticano a tenere il passo.

Addestrare un esperto AI in un campo ristretto

I ricercatori hanno affrontato questo problema costruendo Perovskite‑R1, un modello di linguaggio di grandi dimensioni messo a punto specificamente per la chimica delle perovskiti. Hanno iniziato curando 1.232 articoli di ricerca di alta qualità incentrati su come gli additivi influenzano i film di perovskite, incluse sintesi, struttura e prestazioni. Hanno inoltre assemblato una libreria di 33.269 piccole molecole «simili a farmaci» con strutture diverse che potrebbero fungere da additivi candidati. Utilizzando un altro potente modello di AI, hanno trasformato gli articoli e le descrizioni delle molecole in quasi 10.000 esempi di domanda‑risposta che includono passaggi espliciti di ragionamento. Questi esempi sono stati poi usati per riaddestrare un modello di linguaggio esistente in modo che potesse parlare di perovskiti in modo dettagliato e pronto per il laboratorio, anziché limitarsi a termini scientifici generali.

Da prompt testuali a ricette di laboratorio concrete

Perovskite‑R1 non si limita a rispondere a quiz; è guidato da prompt costruiti con cura che imitano il modo in cui uno scienziato formulerebbe un compito di progettazione. Ogni prompt spiega l’obiettivo (ad esempio trovare additivi che riducano i difetti in una specifica composizione di perovskite), elenca i criteri scientifici (come i tipi di legami chimici che l’additivo dovrebbe formare o come dovrebbe influenzare la crescita cristallina) e specifica l’output desiderato (molecole candidate, concentrazioni suggerite e meccanismi attesi). Il modello può setacciare le conoscenze apprese, “screenare” virtualmente migliaia di molecole e restituire una breve lista accompagnata dalla sua catena di ragionamento che spiega perché ogni scelta dovrebbe funzionare. I test di benchmark mostrano che, su domande di ragionamento specifiche per le perovskiti che vanno dal livello base a quello molto impegnativo, Perovskite‑R1 sovraperforma costantemente diversi modelli di linguaggio generalisti di punta.

Messa alla prova in laboratorio degli ingredienti scelti dall’AI

Per verificare se queste idee reggono in laboratorio, il team ha chiesto a Perovskite‑R1 di selezionare additivi promettenti e li ha poi confrontati con molecole scelte da ricercatori esperti usando l’intuizione chimica convenzionale. Tutti e quattro i candidati—due scelti dall’AI e due dagli umani—condividevano caratteristiche apparentemente sensate, come gruppi funzionali in grado di legarsi ai componenti di piombo e iodio della perovskite. Gli additivi sono stati miscelati in celle solari a perovskite identiche alla stessa bassa concentrazione, e per ogni caso sono stati costruiti e testati 24 dispositivi. Le molecole scelte dall’AI hanno aumentato in modo consistente l’efficienza media e reso le prestazioni più riproducibili, mentre gli additivi selezionati manualmente hanno effettivamente peggiorato sia l’efficienza sia l’affidabilità, malgrado apparissero ragionevoli sulla carta.

Come il ragionamento dell’AI ha corrisposto alla chimica reale

Oltre ai numeri grezzi, i ricercatori hanno indagato perché gli additivi scelti dall’AI funzionassero meglio. Perovskite‑R1 aveva previsto che una molecola avrebbe formato legami di coordinazione con gli ioni piombo, mentre un’altra avrebbe creato legami idrogeno stabilizzanti all’interno del cristallo. Esperimenti successivi di spettroscopia infrarossa hanno effettivamente mostrato gli spostamenti attesi nelle vibrazioni dei legami, confermando queste interazioni. I dispositivi con additivi selezionati dall’AI avevano anche meno difetti elettricamente attivi e mantenevano le prestazioni più a lungo sotto calore e stoccaggio, mentre i dispositivi di controllo e quelli con additivi scelti dagli umani si degradavano più rapidamente. Questi risultati suggeriscono che Perovskite‑R1 sta catturando relazioni significative tra struttura e funzione piuttosto che generare congetture fortunate.

Cosa significa questo per la scoperta futura dei materiali

Il lavoro mostra che un modello di linguaggio tarato sul dominio può agire come un partner pratico nella ricerca sperimentale sui materiali, restringendo la ricerca di additivi efficaci da decine di migliaia di opzioni a una lista selezionata gestibile e di alta qualità. Perovskite‑R1 non sostituisce il lavoro di laboratorio; genera invece ipotesi ben argomentate che gli scienziati possono testare, accelerando la scoperta e sfruttando meglio le conoscenze esistenti. Gli autori prevedono di estendere lo stesso approccio ad altri aspetti dei dispositivi a perovskite—come interfacce e architetture a più strati—e infine di collegare modelli come Perovskite‑R1 a piattaforme di sintesi automatizzata. Per i non specialisti, il messaggio chiave è che sistemi di AI addestrati con cura possono ora aiutare a progettare materiali solari migliori in modo mirato e spiegabile, avvicinando tecnologie a perovskite durevoli e ad alta efficienza a un uso quotidiano.

Citazione: 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

Parole chiave: celle solari a perovskite, scoperta di materiali, modelli di linguaggio di grandi dimensioni, additivi precursori, intelligenza artificiale in chimica