Perovskite-R1: специализированная модель крупного языка для интеллектуального поиска прекурсорных добавок и проектирования экспериментов

Умные помощники для лучшей солнечной энергии

Перовскитные солнечные элементы — один из самых перспективных путей к более дешёвой и эффективной солнечной энергии, но перевод лабораторных достижений в долговечные коммерческие панели по-прежнему остаётся сложной задачей. Небольшие химические добавки могут резко улучшать эти материалы, однако выбор подходящих эквивалентен поиску иголки в стоге сена среди десятков тысяч вариантов и тысяч научных статей. В этом исследовании представлен Perovskite‑R1 — специализированная система искусственного интеллекта, созданная для чтения литературы, рассуждения о химии и предложений более надёжных рецептур для получения высокоэффективных перовскитных солнечных элементов.

Почему перовскитным солнечным элементам нужен импульс

За чуть более десятилетия эффективность перовскитных солнечных элементов возросла с нескольких процентов почти до 27%, соперничая с лучшими кремниевыми элементами при более простой и дешёвой обработке из раствора. Их ахиллесова пята — стабильность: светопоглощающий слой может деградировать под действием тепла, влаги и длительной эксплуатации, особенно если в кристаллической структуре много дефектов. Одним из проверенных способов укрепить эти плёнки является добавление тщательно подобранных молекул в стартовый раствор, которые направляют рост кристаллов и помогают «залечивать» дефекты. Но с бурным ростом литературы по перовскитам и почти бесконечным химическим пространством человеческий метод проб и ошибок и интуиция уже не поспевают.

Обучение ИИ‑эксперта в узкой области

Исследователи подошли к этой проблеме, создав Perovskite‑R1 — модель крупного языка, дообученную специально для перовскитной химии. Они начали с курирования 1 232 высококачественных научных статей, сосредоточенных на влиянии добавок на перовскитные плёнки, включая их синтез, структуру и показатели. Также собрали библиотеку из 33 269 «лекоподобных» малых молекул с разнообразными структурами, которые могли бы служить кандидатами на роль добавок. С помощью другой мощной ИИ‑модели статьи и описания молекул были преобразованы в почти 10 000 примеров «вопрос‑ответ», включающих явные шаги рассуждений. Эти примеры использовали для дообучения существующей модели крупного языка, чтобы она могла обсуждать перовскиты подробно и в формате, пригодном для работы в лаборатории, а не только в общенаучных терминах.

От текстовых подсказок к конкретным лабораторным рецептам

Perovskite‑R1 — не просто ответчик на тестовые вопросы; его направляют тщательно составленные подсказки, имитирующие формулировку задачи исследователем. Каждая подсказка объясняет цель (например, найти добавки, снижающие число дефектов в конкретном составе перовскита), перечисляет научные критерии (такие как типы химических связей, которые должна образовывать добавка, или то, как она должна влиять на рост кристаллов) и указывает желаемый результат (кандидат‑молекулы, предлагаемые концентрации и ожидаемые механизмы). Модель способна просеивать усвоенные знания, виртуально «скринировать» тысячи молекул и возвращать короткий список вместе с цепочкой рассуждений, объясняющей, почему каждая кандидатура должна работать. Бенчмарки показывают, что по перовскитно‑специфическим вопросам рассуждения — от базовых до очень сложных — Perovskite‑R1 постоянно превосходит несколько ведущих универсальных языковых моделей.

Испытание ингредиентов, выбранных ИИ

Чтобы проверить, выдерживают ли эти идеи лабораторную проверку, команда попросила Perovskite‑R1 выбрать перспективные добавки и затем сравнила их с молекулами, выбранными опытными исследователями, опирающимися на традиционную химическую интуицию. Все четыре кандидата — по два от ИИ и по два от людей — имели на первый взгляд разумные черты, такие как функциональные группы, способные связываться с компонентами перовскита (свинцом и йодом). Добавки были введены в идентичные перовскитные солнечные элементы при одинаково низкой концентрации; для каждого случая было собрано и испытано 24 устройства. Молекулы, выбранные ИИ, последовательно повышали среднюю эффективность и делали показатели более воспроизводимыми, тогда как вручную отобранные добавки фактически снижали как эффективность, так и надёжность, несмотря на внешнюю разумность выбора.

Как рассуждения ИИ соотнеслись с реальной химией

Помимо сырых чисел, исследователи изучили, почему добавки, выбранные ИИ, сработали лучше. Perovskite‑R1 предсказывал, что одна молекула образует координационные связи с ионами свинца, а другая — стабилизирующие водородные связи внутри кристалла. Дальнейшие эксперименты инфракрасной спектроскопии действительно показали ожидаемые сдвиги в колебаниях связей, подтверждая эти взаимодействия. Устройствам с добавками, выбранными ИИ, также соответствовал меньший уровень электрически активных дефектов и более длительное сохранение рабочих характеристик при нагреве и хранении, тогда как контрольные образцы и образцы с добавками, выбранными человеком, деградировали быстрее. Эти результаты свидетельствуют о том, что Perovskite‑R1 улавливает значимые «структура‑функция» взаимосвязи, а не делает случайные догадки.

Что это означает для будущего поиска материалов

Работа демонстрирует, что модель языка, настроенная под конкретную область, может быть практичным партнёром в экспериментальных исследованиях материалов, сужая поиск эффективных добавок с десятков тысяч вариантов до управляемого, качественного короткого списка. Perovskite‑R1 не заменяет лабораторные эксперименты; он генерирует хорошо обоснованные гипотезы, которые учёные могут проверить, ускоряя открытия и более эффективно используя существующие знания. Авторы видят перспективу применения того же подхода к другим аспектам перовскитных устройств — таким как интерфейсы и многослойные архитектуры — и в конечном счёте к связке моделей вроде Perovskite‑R1 с автоматизированными платформами синтеза. Для неспециалистов ключевое послание в том, что тщательно обученные ИИ‑системы теперь могут помогать проектировать лучшие солнечные материалы целенаправленным, объяснимым способом, приближая долговечные высокоэффективные перовскитные технологии к повседневному использованию.

Цитирование: 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

Ключевые слова: перовскитные солнечные элементы, поиск материалов, модели крупного языка, прекурсорные добавки, искусственный интеллект в химии