ペロブスカイト‑R1：前駆体添加剤と実験設計の知的発見のためのドメイン特化型大規模言語モデル

より良い太陽光発電のための賢い支援者

ペロブスカイト太陽電池は、より安価で高効率な太陽光発電への有望な道の一つですが、研究室レベルの成果を長寿命の商用パネルへと移すことは依然として困難です。微量の化学的添加剤はこれらの材料を劇的に改善しますが、適切な添加剤を選ぶことは、数万もの候補と数千件の研究論文がひしめく干し草の山から針を探すような作業です。本研究は、文献を読み、化学を推論し、高性能なペロブスカイト太陽電池を作るためのより信頼できるレシピを提示するために構築された、ドメイン特化型の人工知能システム「ペロブスカイト‑R1」を紹介します。

なぜペロブスカイト太陽電池に後押しが必要か

ペロブスカイト太陽電池は、効率が数パーセントから十年足らずでほぼ27％にまで跳ね上がり、溶液プロセスが容易で安価である点でシリコン電池に匹敵する性能を示しています。しかし弱点は安定性です：光を吸収する層は熱や湿気、長時間の稼働で劣化しやすく、特に結晶構造に欠陥が多いと劣化が進みます。これらの膜を強化する実績ある手法の一つが、出発溶液に適切な分子を加えることです。添加剤は結晶の成長を導き、欠陥を“修復”する役割を果たします。しかし、ペロブスカイトに関する文献が爆発的に増え、化学空間がほぼ無限であるため、人間の試行錯誤や直感だけでは対応が難しくなっています。

狭い分野にAI専門家を育てる

研究者たちは、この問題に対処するためにペロブスカイト化学に特化してファインチューニングした大規模言語モデル、ペロブスカイト‑R1を構築しました。まず、添加剤がペロブスカイト膜の合成、構造、性能に与える影響に焦点を当てた1,232件の高品質な研究論文をキュレーションしました。さらに、候補添加剤となり得る多様な構造を持つ33,269件の“医薬品類似”小分子ライブラリを収集しました。別の強力なAIモデルを用いて、これらの論文と分子記述をほぼ10,000件の質問と回答の例（明示的な推論ステップを含む）に変換しました。これらの例を用いて既存の大規模言語モデルを再訓練し、一般的な科学用語にとどまらず、実験室で使える詳細な方法でペロブスカイトを語れるようにしました。

テキストプロンプトから具体的な実験レシピへ

ペロブスカイト‑R1は単にクイズに答えるだけではありません。科学者が設計課題を定式化する方法を模した精巧なプロンプトで操作されます。各プロンプトは目標（たとえば特定のペロブスカイト組成で欠陥を低減する添加剤を見つけること）、科学的基準（添加剤が形成すべき化学結合の種類や結晶成長への影響など）、および望ましい出力（候補分子、推奨濃度、想定される作用機構）を説明します。モデルは学習した知識をふるいにかけ、何千もの分子を仮想的に“スクリーニング”して、各選択がなぜ有効かを説明する思考の連鎖とともに短い候補リストを返します。ベンチマーク試験では、基礎的なものから非常に難しいものまでのペロブスカイト特有の推論問題において、ペロブスカイト‑R1は複数の主要な汎用言語モデルを一貫して上回りました。

AIが選んだ材料を実験で試す

これらの考えが実験室で通用するかを確認するため、チームはペロブスカイト‑R1に有望な添加剤を選ばせ、従来の化学的直観で経験のある研究者が選んだ分子と比較しました。AI由来の2候補と人間由来の2候補の計4つは、鉛やヨウ素成分に結合できる官能基など、一見妥当な特徴を共有していました。添加剤は同一のペロブスカイト太陽電池に同じ低濃度で混入され、各ケースにつき24台のデバイスが作製されてテストされました。AIが選んだ分子は平均効率を一貫して向上させ、性能の再現性も高めましたが、人間が選んだ添加剤は見た目は妥当でも、実際には効率と信頼性の両方を劣化させました。

AIの推論と実際の化学の一致

生の数値以上に、研究者たちはなぜAI選定の添加剤がより良く働いたのかを詳しく調べました。ペロブスカイト‑R1は、ある分子が鉛イオンと配位結合を形成し、別の分子が結晶内で安定化する水素結合を形成すると予測していました。追試の赤外分光実験は実際に結合振動の期待されるシフトを示し、これらの相互作用を確認しました。AI選定添加剤を用いたデバイスは電気的に活性な欠陥がより少なく、熱や保存下で性能をより長く保持しました。一方、対照デバイスや人間選定の添加剤を用いたデバイスはより早く劣化しました。これらの結果は、ペロブスカイト‑R1が単なる偶然の当たりに頼るのではなく、有意義な構造–機能関係を捉えていることを示唆します。

今後の材料探索にとっての意義

本研究は、ドメインに合わせて調整された言語モデルが実験的材料研究の実用的なパートナーとして機能し、数万の選択肢から効果的な添加剤の探索を管理可能で高品質な短い候補リストに絞り込めることを示しています。ペロブスカイト‑R1は実験を置き換えるものではなく、むしろ科学者が検証できる十分に論理立てられた仮説を生成し、既存の知識をより効率的に利用して発見のスピードを上げます。著者らは、このアプローチを界面や多層アーキテクチャなどペロブスカイトデバイスの他の側面へ拡張し、最終的にはPerovskite‑R1のようなモデルを自動合成プラットフォームと連携させることを想定しています。専門外の読者に向けた重要なメッセージは、慎重に訓練されたAIシステムが、説明可能な形でターゲットを絞ったより良い太陽電池材料の設計を支援できるようになり、耐久性と高効率を兼ね備えたペロブスカイト技術を日常利用に近づけるという点です。

引用: 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

キーワード: ペロブスカイト太陽電池, 材料探索, 大規模言語モデル, 前駆体添加剤, 化学における人工知能