Perovskite-R1: um modelo de linguagem grande especializado em domínio para descoberta inteligente de aditivos precursores e desenho experimental

Assistentes mais inteligentes para uma energia solar melhor

As células solares de perovskita são uma das rotas mais promissoras para energia solar mais barata e eficiente, mas transformar avanços de laboratório em painéis comerciais duráveis continua sendo um desafio. Pequenos aditivos químicos podem melhorar dramaticamente esses materiais, porém escolher os corretos é como procurar uma agulha num palheiro de dezenas de milhares de possibilidades e milhares de artigos científicos. Este estudo apresenta o Perovskite‑R1, um sistema de inteligência artificial especializado construído para ler a literatura, raciocinar sobre química e propor receitas mais confiáveis para fabricar células solares de perovskita de alto desempenho.

Por que as células solares de perovskita precisam de um impulso

As células solares de perovskita saltaram de poucos por cento de eficiência para quase 27% em pouco mais de uma década, rivalizando com as melhores células de silício enquanto são mais fáceis e baratas de processar a partir de solução. Seu calcanhar de Aquiles é a estabilidade: a camada absorvedora de luz pode degradar sob calor, umidade e operação de longo prazo, especialmente se sua estrutura cristalina contiver muitos defeitos. Uma maneira comprovada de reforçar esses filmes é adicionar moléculas cuidadosamente selecionadas à solução inicial, que orientam o crescimento dos cristais e ajudam a “curar” falhas. Mas com a literatura científica sobre perovskitas em explosão e o espaço químico quase infinito, tentativa e erro humano e intuição têm dificuldade para acompanhar.

Treinando um especialista em IA para um campo restrito

Os pesquisadores enfrentaram esse problema construindo o Perovskite‑R1, um modelo de linguagem grande ajustado especificamente para química de perovskitas. Eles começaram curando 1.232 artigos científicos de alta qualidade focados em como aditivos influenciam filmes de perovskita, incluindo sua síntese, estrutura e desempenho. Também reuniram uma biblioteca de 33.269 pequenas moléculas “semelhantes a fármacos” com estruturas diversas que poderiam servir como aditivos candidatos. Usando outro modelo de IA poderoso, transformaram os artigos e descrições das moléculas em quase 10.000 exemplos de perguntas e respostas que incluem passos explícitos de raciocínio. Esses exemplos foram então usados para retreinar um modelo de linguagem grande existente para que ele pudesse falar sobre perovskitas de forma detalhada e pronta para laboratório, em vez de apenas em termos científicos gerais.

De prompts de texto a receitas concretas de laboratório

O Perovskite‑R1 não está apenas respondendo questões de teste; ele é guiado por prompts cuidadosamente construídos que imitam a forma como um cientista enquadraria uma tarefa de projeto. Cada prompt explica o objetivo (por exemplo, encontrar aditivos que reduzam defeitos em uma composição específica de perovskita), lista critérios científicos (como os tipos de ligações químicas que o aditivo deve formar ou como ele deve influenciar o crescimento cristalino) e especifica a saída desejada (moléculas candidatas, concentrações sugeridas e mecanismos esperados). O modelo pode peneirar seu conhecimento aprendido, “triagem” virtualmente milhares de moléculas, e retornar uma lista curta juntamente com sua cadeia de pensamento explicando por que cada escolha deveria funcionar. Testes de benchmark mostram que, em questões de raciocínio específicas de perovskita que variam do básico ao muito desafiador, o Perovskite‑R1 supera consistentemente vários modelos de linguagem de uso geral líderes.

Colocando os ingredientes escolhidos pela IA à prova

Para verificar se essas ideias se sustentavam no laboratório, a equipe pediu ao Perovskite‑R1 que selecionasse aditivos promissores e depois os comparou com moléculas escolhidas por pesquisadores experientes usando intuição química convencional. Todos os quatro candidatos — dois da IA e dois de humanos — compartilhavam características aparentemente sensatas, como grupos funcionais que podem se ligar aos componentes de chumbo e iodo da perovskita. Os aditivos foram misturados em células solares de perovskita idênticas na mesma concentração baixa, e 24 dispositivos foram construídos e testados para cada caso. As moléculas escolhidas pela IA aumentaram consistentemente a eficiência média e tornaram o desempenho mais reprodutível, enquanto os aditivos selecionados manualmente degradaram tanto a eficiência quanto a confiabilidade, apesar de parecerem razoáveis no papel.

Como o raciocínio da IA coincidiu com a química real

Além dos números brutos, os pesquisadores investigaram por que os aditivos escolhidos pela IA funcionaram melhor. O Perovskite‑R1 havia previsto que uma molécula formaria ligações de coordenação com íons de chumbo, enquanto outra formaria ligações de hidrogênio estabilizadoras dentro do cristal. Experimentos posteriores de espectroscopia no infravermelho de fato mostraram os deslocamentos esperados nas vibrações de ligação, confirmando essas interações. Dispositivos com aditivos selecionados pela IA também apresentaram menos defeitos eletricamente ativos e manteram seu desempenho por mais tempo sob calor e armazenamento, enquanto os dispositivos de controle e aqueles com aditivos escolhidos por humanos degradaram mais rapidamente. Esses resultados sugerem que o Perovskite‑R1 está capturando relacionamentos significativos entre estrutura e função em vez de gerar palpites sortudos.

O que isso significa para a descoberta futura de materiais

O trabalho mostra que um modelo de linguagem ajustado para um domínio pode atuar como um parceiro prático em pesquisa experimental de materiais, reduzindo a busca por aditivos eficazes de dezenas de milhares de opções a uma lista curta gerenciável e de alta qualidade. O Perovskite‑R1 não substitui o trabalho de laboratório; em vez disso, gera hipóteses bem fundamentadas que os cientistas podem testar, acelerando a descoberta enquanto aproveita melhor o conhecimento existente. Os autores envisionam estender a mesma abordagem para outros aspectos de dispositivos de perovskita — como interfaces e arquiteturas multicamadas — e, eventualmente, acoplar modelos como o Perovskite‑R1 a plataformas de síntese automatizadas. Para não especialistas, a mensagem chave é que sistemas de IA cuidadosamente treinados agora podem ajudar a projetar melhores materiais solares de forma direcionada e explicável, aproximando tecnologias de perovskita duráveis e de alta eficiência do uso cotidiano.

Citação: 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

Palavras-chave: células solares de perovskita, descoberta de materiais, modelos de linguagem grandes, aditivos precursores, inteligência artificial na química