Perovskite-R1: wyspecjalizowany model językowy dla inteligentnego odkrywania dodatków prekursorowych i projektowania eksperymentów

Mądrzejsi asystenci dla lepszej energii słonecznej

Ogniwa słoneczne na bazie perowskitów to jedna z najbardziej obiecujących dróg do tańszej i bardziej wydajnej energii słonecznej, lecz przekształcenie przełomów laboratoryjnych w trwałe panele komercyjne wciąż stanowi wyzwanie. Drobne dodatki chemiczne mogą dramatycznie poprawić właściwości tych materiałów, jednak wybór właściwych substancji to jak szukanie igły w stogu siana wśród dziesiątek tysięcy możliwości i tysięcy artykułów naukowych. W tym badaniu przedstawiono Perovskite‑R1, wyspecjalizowany system sztucznej inteligencji zaprojektowany do czytania literatury, rozumowania o chemii i proponowania bardziej niezawodnych receptur na wytwarzanie wysoko wydajnych ogniw perowskitowych.

Dlaczego ogniwa perowskitowe potrzebują wzmocnienia

Sprawność ogniw perowskitowych wzrosła z kilku procent do prawie 27% w niecałe piętnaście lat, konkurując z najlepszymi ogniwami krzemowymi przy jednocześnie prostszej i tańszej obróbce z roztworu. Ich achillesową piętą jest stabilność: warstwa absorbująca światło może się degradować pod wpływem ciepła, wilgoci i długotrwałej eksploatacji, szczególnie jeśli struktura krystaliczna zawiera liczne defekty. Jednym z udokumentowanych sposobów wzmocnienia tych filmów jest dodanie starannie dobranych molekuł do roztworu wyjściowego, które kierują wzrostem kryształów i pomagają „zawalidrogować” ubytki. Jednak przy lawinowo rozrastającej się literaturze o perowskitach i praktycznie nieograniczonej przestrzeni chemicznej, tradycyjne metody prób i błędów oraz intuicja ludzka nie nadążają.

Szkolenie eksperta AI w wąskiej dziedzinie

Badacze podjęli to wyzwanie, tworząc Perovskite‑R1 — duży model językowy dostrojony specjalnie do chemii perowskitów. Zaczęli od skuracji 1 232 wysokiej jakości artykułów badawczych skupionych na wpływie dodatków na filmy perowskitowe, obejmujących ich syntezę, strukturę i właściwości. Zgromadzili też bibliotekę 33 269 niewielkich „lekopodobnych” molekuł o różnorodnych strukturach, które mogłyby służyć jako kandydaci na dodatki. Z użyciem innego silnego modelu AI przekształcili artykuły i opisy molekuł w niemal 10 000 przykładów w formie pytań i odpowiedzi zawierających jawne kroki rozumowania. Przykłady te posłużyły do ponownego przeszkolenia istniejącego dużego modelu językowego, aby potrafił mówić o perowskitach w szczegółowy, laboratoryjny sposób, a nie tylko w ogólnonaukowych terminach.

Od promptów tekstowych do konkretnych receptur laboratoryjnych

Perovskite‑R1 nie ogranicza się do odpowiadania na testowe pytania — jest prowadzony za pomocą starannie skonstruowanych promptów, które naśladują sposób, w jaki naukowiec formułuje zadanie projektowe. Każdy prompt wyjaśnia cel (na przykład znalezienie dodatków zmniejszających defekty w określonym składzie perowskitu), wymienia kryteria naukowe (takie jak rodzaje wiązań chemicznych, które dodatek powinien tworzyć, lub sposób wpływu na wzrost kryształów) i określa pożądany wynik (kandydaci na molekuły, proponowane stężenia i spodziewane mechanizmy). Model potrafi przeszukać zdobytą wiedzę, „przesiać” wirtualnie tysiące molekuł i zwrócić krótką listę wraz z łańcuchem myślowym wyjaśniającym, dlaczego każdy wybór powinien zadziałać. Testy porównawcze pokazują, że w pytaniach wymagających myślenia specyficznego dla perowskitów, od podstawowych po bardzo trudne, Perovskite‑R1 konsekwentnie przewyższa kilka czołowych ogólnego przeznaczenia modeli językowych.

Próba składników wybranych przez AI

Aby sprawdzić, czy te pomysły sprawdzają się w laboratorium, zespół poprosił Perovskite‑R1 o wyselekcjonowanie obiecujących dodatków i porównał je z molekułami wybranymi przez doświadczonych badaczy kierujących się konwencjonalną intuicją chemiczną. Wszystkie cztery kandydatury — dwie wskazane przez AI i dwie przez ludzi — miały pozornie sensowne cechy, takie jak grupy funkcyjne zdolne wiązać się z ołowiem i jodem w perowskicie. Dodatki wprowadzono do identycznych ogniw perowskitowych w tym samym niskim stężeniu, zbudowano i przetestowano po 24 urządzenia dla każdego przypadku. Molekuły wybrane przez AI konsekwentnie zwiększały średnią sprawność i poprawiały odtwarzalność wyników, podczas gdy dodatki wybrane ręcznie faktycznie pogarszały zarówno sprawność, jak i niezawodność, mimo że na papierze wyglądały rozsądnie.

Jak rozumowanie AI zgadzało się z rzeczywistą chemią

Ponad surowymi liczbami badacze zbadali, dlaczego dodatki wskazane przez AI działały lepiej. Perovskite‑R1 przewidział, że jedna molekuła utworzy wiązania koordynacyjne z jonami ołowiu, podczas gdy inna utworzy stabilizujące wiązania wodorowe wewnątrz kryształu. Kolejne eksperymenty spektroskopii w podczerwieni rzeczywiście wykazały przewidywane przesunięcia w drganiach wiązań, potwierdzając te interakcje. Urządzenia z dodatkami wybranymi przez AI miały też mniej elektrycznie aktywnych defektów i dłużej utrzymywały wydajność przy podgrzewaniu i przechowywaniu, podczas gdy urządzenia kontrolne i te z dodatkami wybranymi przez ludzi degradowały się szybciej. Wyniki te sugerują, że Perovskite‑R1 uchwycił istotne zależności struktura‑funkcja, a nie generował przypadkowych szczęśliwych trafień.

Co to oznacza dla przyszłego odkrywania materiałów

Praca pokazuje, że model językowy dostrojony do konkretnej dziedziny może być praktycznym partnerem w eksperymentalnych badaniach materiałowych, zawężając poszukiwania skutecznych dodatków z dziesiątek tysięcy opcji do zarządzalnej, wysokiej jakości krótkiej listy. Perovskite‑R1 nie zastępuje pracy laboratoryjnej; generuje za to dobrze uzasadnione hipotezy, które naukowcy mogą testować, przyspieszając odkrycia i lepiej wykorzystując istniejącą wiedzę. Autorzy przewidują rozszerzenie tej samej metody na inne aspekty urządzeń perowskitowych — takie jak interfejsy i architektury wielowarstwowe — oraz docelowo sprzężenie modeli podobnych do Perovskite‑R1 z platformami automatycznej syntezy. Dla niespecjalistów kluczowy przekaz jest taki, że starannie wytrenowane systemy AI mogą teraz pomagać projektować lepsze materiały słoneczne w sposób ukierunkowany i wyjaśnialny, przybliżając trwałe, wysoko wydajne technologie perowskitowe do powszechnego użycia.

Cytowanie: 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

Słowa kluczowe: ogniwa słoneczne perowskitowe, odkrywanie materiałów, duże modele językowe, dodatki prekursorowe, sztuczna inteligencja w chemii