Perovskite-R1: en domänspecialiserad stor språkmodell för intelligent upptäckt av prekursor­tillsatser och experimentell design

Smartare hjälpmedel för bättre solenergi

Perovskit­solceller är en av de mest lovande vägarna mot billigare och mer effektfull solenergi, men att omvandla laboratoriegenombrott till långlivade kommersiella paneler är fortfarande svårt. Små kemiska tillsatser kan dramatiskt förbättra dessa material, men att välja rätt är som att leta efter en nål i en höstack av tiotusentals möjligheter och tusentals forskningsartiklar. Denna studie presenterar Perovskite‑R1, ett specialiserat artificiellt intelligenssystem byggt för att läsa litteraturen, resonera kring kemi och föreslå mer tillförlitliga recept för att framställa högpresterande perovskit­solceller.

Varför perovskit­solceller behöver ett lyft

Perovskit­solceller har klättrat från några procents verkningsgrad till nästan 27 % på bara drygt ett decennium, och konkurrerar med de bästa kiselcellerna samtidigt som de är enklare och billigare att bearbeta från lösning. Deras akilleshäl är stabilitet: det ljusabsorberande skiktet kan försämras vid värme, fukt och långvarig drift, särskilt om kristallstrukturen innehåller många defekter. Ett beprövat sätt att stärka dessa filmer är att tillsätta noggrant utvalda molekyler till startlösningen, som styr hur kristallerna växer och hjälper till att ”läka” brister. Men med en exploderande mängd vetenskaplig litteratur om perovskiter och ett i praktiken nästan obegränsat kemiskt utrymme, har mänskligt försöks‑ och felarbete och intuition svårt att hänga med.

Att träna en AI‑expert inom ett snävt fält

Forskarna angrep detta problem genom att bygga Perovskite‑R1, en stor språkmodell eftertränad specifikt för perovskitkemi. De började med att kurera 1 232 högkvalitativa forskningsartiklar med fokus på hur tillsatser påverkar perovskitfilmer, inklusive deras syntes, struktur och prestanda. De satte även ihop ett bibliotek med 33 269 ”läkemedelsliknande” småmolekyler med varierande strukturer som skulle kunna fungera som kandidat­tillsatser. Med en annan kraftfull AI‑modell omvandlade de artiklarna och molekylbeskrivningarna till nästan 10 000 fråga‑och‑svar‑exempel som inkluderar explicita resonemangs‑steg. Dessa exempel användes sedan för att efterträna en existerande stor språkmodell så att den kunde tala om perovskiter på ett detaljerat, labbklarit sätt i stället för bara i allmänna vetenskapliga termer.

Från textpromptar till konkreta labbrecept

Perovskite‑R1 svarar inte bara på frågesportfrågor; den styrs av noggrant konstruerade promptar som efterliknar hur en forskare skulle formulera en designuppgift. Varje prompt förklarar målet (till exempel att hitta tillsatser som minskar defekter i en specifik perovskitsammansättning), listar vetenskapliga kriterier (såsom vilka bindningstyper tillsatsen bör bilda eller hur den bör påverka kristalltillväxten) och specificerar önskat utdata (kandidatmolekyler, föreslagna koncentrationer och förväntade mekanismer). Modellen kan sålla i sin inlärda kunskap, virtuellt ”screena” tusentals molekyler och återge en kort lista tillsammans med sitt tankeflöde som förklarar varför varje val borde fungera. Benchmarktester visar att Perovskite‑R1 konsekvent överträffar flera ledande allmänna språkmodeller på perovskit‑specifika resonemangsfrågor från grundläggande till mycket utmanande nivå.

Att testa AI‑valda ingredienser i labbet

För att se om idéerna höll i praktiken bad teamet Perovskite‑R1 att välja lovande tillsatser och jämförde dem sedan med molekyler valda av erfarna forskare med konventionell kemisk intuition. Alla fyra kandidaterna—två från AI:n och två från människorna—delade till synes rimliga egenskaper, såsom funktionella grupper som kan binda till perovskitens bly‑ och jodkomponenter. Tillsatserna blandades in i identiska perovskit­solceller vid samma låga koncentration, och 24 enheter byggdes och testades för varje fall. De AI‑valda molekylerna ökade konsekvent medeleffektiviteten och gjorde prestandan mer reproducerbar, medan de manuellt utvalda tillsatserna faktiskt försämrade både effektivitet och tillförlitlighet, trots att de såg rimliga ut på pappret.

Hur AI:ns resonemang stämde med verklig kemi

Utöver rena siffror undersökte forskarna varför de AI‑valda tillsatserna fungerade bättre. Perovskite‑R1 hade förutspått att en molekyl skulle bilda koordinationsbindningar med blyjoner, medan en annan skulle bilda stabiliserande vätebindningar i kristallen. Uppföljande infraröd spektroskopi visade faktiskt de förväntade förskjutningarna i bindningsvibrationerna, vilket bekräftade dessa interaktioner. Enheter med AI‑valda tillsatser hade också färre elektriskt aktiva defekter och behöll sin prestanda längre vid värme och lagring, medan kontrollenheter och de med människovalda tillsatser degraderade snabbare. Dessa resultat tyder på att Perovskite‑R1 fångar meningsfulla struktur‑funktion‑relationer snarare än att generera lyckosamma gissningar.

Vad detta betyder för framtida materialupptäckt

Arbetet visar att en domänanpassad språkmodell kan fungera som en praktisk partner i experimentell materialforskning, genom att begränsa sökandet efter effektiva tillsatser från tiotusentals alternativ till en hanterbar, högkvalitativ kortlista. Perovskite‑R1 ersätter inte labbarbetet; istället genererar den välunderbyggda hypoteser som forskare kan testa, vilket påskyndar upptäckter samtidigt som befintlig kunskap utnyttjas bättre. Författarna ser framför sig att samma tillvägagångssätt kan utvidgas till andra aspekter av perovskit­enheter—såsom gränssnitt och flerskiktsarkitekturer—och så småningom koppla modeller som Perovskite‑R1 till automatiserade syntesplattformar. För icke‑specialister är huvudbudskapet att noggrant tränade AI‑system nu kan hjälpa till att designa bättre solmaterial på ett riktat, förklarbart sätt, vilket för dem nära hållbara, högpresterande perovskitteknologier i vardaglig användning.

Citering: 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

Nyckelord: perovskitsolceller, materialupptäckt, stora språkmodeller, prekursor­tillsatser, artificiell intelligens i kemi