Perovskite-R1: een domeinspecialistisch groot taalmodel voor intelligente ontdekking van precursor-additieven en experimenteel ontwerp

Slimmere hulpmiddelen voor betere zonne-energie

Perovskiet-zonnecellen behoren tot de meest veelbelovende wegen naar goedkopere, efficiëntere zonne-energie, maar het omzetten van laboratoriumdoorbraken in duurzaam commerciële panelen blijft lastig. Kleine chemische additieven kunnen deze materialen drastisch verbeteren, maar het kiezen van de juiste is als het zoeken naar een speld in een hooiberg van tienduizenden mogelijkheden en duizenden onderzoeksartikelen. Deze studie introduceert Perovskite-R1, een gespecialiseerd kunstmatig-intelligentiesysteem dat de literatuur leest, over chemie redeneert en betrouwbaardere recepten voor het maken van hoogpresterende perovskiet-zonnecellen voorstelt.

Waarom perovskiet-zonnecellen een duwtje nodig hebben

Perovskiet-zonnecellen zijn in iets meer dan tien jaar gestegen van enkele procenten efficiëntie tot bijna 27%, en nemen het op tegen de beste siliciumcellen terwijl ze eenvoudiger en goedkoper uit oplossing te verwerken zijn. Hun achilleshiel is stabiliteit: de lichtabsorberende laag kan degraderen door hitte, vocht en langdurig gebruik, vooral als de kristalstructuur veel defecten bevat. Een bewezen manier om deze films te versterken is het toevoegen van zorgvuldig gekozen moleculen aan de beginseloplossing, die sturen hoe de kristallen groeien en helpen gebreken te “genezen”. Maar met de explosieve groei van de perovskietliteratuur en de vrijwel oneindige chemische ruimte, kunnen menselijke trial-and-error en intuïtie het moeilijk bijbenen.

Een AI-expert trainen in een smal vakgebied

De onderzoekers pakten dit probleem aan door Perovskite-R1 te bouwen, een groot taalmodel dat specifiek is fijngetuned voor perovskietchemie. Ze begonnen met het samenstellen van 1.232 hoogwaardige onderzoeksartikelen gericht op hoe additieven perovskietfimen beïnvloeden, inclusief synthese, structuur en prestaties. Ze stelden ook een bibliotheek samen van 33.269 “drug‑achtige” kleine moleculen met diverse structuren die als kandidaat-additieven zouden kunnen dienen. Met behulp van een ander krachtig AI-model transformeerden ze de artikelen en molecuulbeschrijvingen in bijna 10.000 vraag-en-antwoord‑voorbeelden met expliciete redeneringsstappen. Deze voorbeelden werden vervolgens gebruikt om een bestaand groot taalmodel bij te trainen zodat het over perovskieten op een gedetailleerde, laboratoriumklare manier kan praten in plaats van alleen in algemene wetenschappelijke termen.

Van tekstprompts naar concrete laboratoriumrecepten

Perovskite-R1 beantwoordt niet alleen quizvragen; het wordt gestuurd met zorgvuldig geconstrueerde prompts die de manier nabootsen waarop een wetenschapper een ontwerptaak zou formuleren. Elke prompt legt het doel uit (bijvoorbeeld het vinden van additieven die defecten verminderen in een specifieke perovskietsamenstelling), somt wetenschappelijke criteria op (zoals het type chemische bindingen dat het additief zou moeten vormen of hoe het de kristalgroei zou moeten beïnvloeden) en specificeert de gewenste output (kandidaatmoleculen, voorgestelde concentraties en verwachte mechanismen). Het model kan zijn aangeleerde kennis doorspitten, virtueel duizenden moleculen ‘screenen’ en een korte lijst teruggeven met zijn chain-of-thought die uitlegt waarom elke keuze zou werken. Benchmarks tonen aan dat Perovskite-R1, op perovskietspecifieke redeneervragen variërend van eenvoudig tot zeer uitdagend, consequent beter presteert dan verschillende toonaangevende algemene taalmodellen.

De door AI gekozen ingrediënten in de praktijk testen

Om te zien of deze ideeën in het laboratorium standhouden, vroeg het team Perovskite-R1 veelbelovende additieven te selecteren en vergeleek ze die met moleculen gekozen door ervaren onderzoekers op basis van conventionele chemische intuïtie. Alle vier kandidaten—twee van de AI en twee door mensen—deden op het eerste gezicht plausibel aan, met functionele groepen die bijvoorbeeld kunnen binden aan de lood- en jodiumcomponenten van het perovskiet. De additieven werden bij dezelfde lage concentratie in identieke perovskiet-zonnecellen gemengd, en voor elke casus werden 24 apparaten gebouwd en getest. De door AI gekozen moleculen verhoogden consequent de gemiddelde efficiëntie en maakten de prestaties reproduceerbaarder, terwijl de handmatig geselecteerde additieven juist zowel efficiëntie als betrouwbaarheid verslechterden, ondanks dat ze op papier redelijk leken.

Hoe de AI-redenering overeenkwam met echte chemie

Naast ruwe cijfers onderzochten de onderzoekers waarom de door AI gekozen additieven beter werkten. Perovskite-R1 had voorspeld dat het ene molecuul coördinatiebindingen met loionen zou vormen, terwijl een ander stabiliserende waterstofbindingen binnen het kristal zou vormen. Vervolgexperimenten met infraroodspectroscopie lieten inderdaad de verwachte verschuivingen in bindingsvibraties zien, waarmee die interacties werden bevestigd. Apparaten met AI-geselecteerde additieven hadden ook minder elektrisch actieve defecten en behielden hun prestaties langer onder warmte en opslag, terwijl controlediapparaten en die met menselijk gekozen additieven sneller degradeerden. Deze resultaten suggereren dat Perovskite-R1 zinvolle structuur‑functie‑relaties vastlegt in plaats van louter gelukstreffers te genereren.

Wat dit betekent voor toekomstige materiaalontdekking

Het werk laat zien dat een domeingetuned taalmodel kan optreden als een praktisch partner in experimenteel materiaalonderzoek, door de zoektocht naar effectieve additieven terug te brengen van tienduizenden opties naar een beheersbare, hoogwaardige shortlist. Perovskite-R1 vervangt laboratoriumwerk niet; in plaats daarvan genereert het goed onderbouwde hypothesen die wetenschappers kunnen testen, waardoor ontdekking wordt versneld en bestaande kennis beter wordt benut. De auteurs voorzien het uitbreiden van dezelfde aanpak naar andere aspecten van perovskietapparaten—zoals interfaces en meerlagige architecturen—en uiteindelijk het koppelen van modellen als Perovskite-R1 aan geautomatiseerde syntheselijnen. Voor niet-specialisten is de kernboodschap dat zorgvuldig getrainde AI-systemen nu doelgericht en uitlegbaar kunnen helpen bij het ontwerpen van betere zonnematerialen, waardoor duurzame, hoogefficiënte perovskiettechnologieën dichter bij dagelijks gebruik komen.

Bronvermelding: 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

Trefwoorden: perovskiet-zonnecellen, materialenontdekking, grote taalmodellen, precursor-additieven, kunstmatige intelligentie in de scheikunde