Perovskite-R1: öncü katkı maddeleri ve deney tasarımı keşfinde akıllı destek için alan-özel büyük dil modeli

Daha iyi güneş enerjisi için daha akıllı yardımcılar

Perovskit güneş pilleri, daha ucuz ve daha verimli güneş enerjisi elde etmenin en umut verici yollarından biri; ancak laboratuvar atılımlarını uzun ömürlü ticari panellere dönüştürmek hâlâ zorlu. Küçük kimyasal katkı maddeleri bu malzemelerin performansını önemli ölçüde iyileştirebiliyor, fakat doğru olanı seçmek on binlerce olasılık ve binlerce araştırma makalesi arasından iğne aramak gibi. Bu çalışma, literatürü okuyup kimya hakkında muhakeme yapabilen ve yüksek performanslı perovskit güneş pilleri üretmek için daha güvenilir tarifler önerebilen Perovskite‑R1 adlı alan‑özel bir yapay zeka sistemini tanıtıyor.

Perovskit güneş pillerinin güçlenmeye neden ihtiyacı var

Perovskit güneş pilleri, on yılın biraz üzerinde bir sürede birkaç yüzde verimden neredeyse %27’ye sıçradı; çözeltiden işlenmelerinin daha kolay ve daha ucuz olması sebebiyle en iyi silikon hücrelerle rekabet ediyorlar. Zayıf yönleri kararlılık: ışık emici tabaka ısı, nem ve uzun süreli çalışma altında bozulabiliyor; özellikle kristal yapıda çok sayıda kusur varsa. Bu filmleri güçlendirmenin kanıtlanmış bir yolu, kristallerin nasıl büyüdüğünü yönlendiren ve kusurları “iyileştirmeye” yardımcı olan dikkatle seçilmiş molekülleri başlangıç çözeltisine eklemek. Ancak perovskitlerle ilgili bilimsel literatür patlarken ve kimyasal uzay neredeyse sınırsızken, insan deneme‑yanılma ve öngörüsü geride kalıyor.

Dar bir alanda bir yapay zeka uzmanı eğitmek

Araştırmacılar bu problemi, perovskit kimyasına özel olarak ince ayarlanmış bir büyük dil modeli olan Perovskite‑R1’i inşa ederek ele aldılar. Başlangıç olarak katkı maddelerinin perovskit filmler üzerindeki etkilerini, sentezlerini, yapılarını ve performanslarını konu alan 1.232 yüksek kaliteli araştırma makalesini seçtiler. Ayrıca aday katkı maddesi olabilecek çeşitli yapılara sahip 33.269 “ilaç‑benzeri” küçük molekülden oluşan bir kütüphane derlediler. Başka güçlü bir yapay zeka modelini kullanarak makaleleri ve molekül tanımlarını neredeyse 10.000 açık muhakeme adımı içeren soru‑cevap örneğine dönüştürdüler. Bu örnekler, mevcut bir büyük dil modelini yeniden eğitmek için kullanıldı; böylece model perovskitler hakkında yalnızca genel bilimsel terimlerle değil, ayrıntılı ve laboratuvara hazır bir şekilde konuşabilir hale geldi.

Metin istemlerinden somut laboratuvar tariflerine

Perovskite‑R1 yalnızca sınav sorularını yanıtlamıyor; bilim insanının bir tasarım görevini çerçeveleme biçimini taklit eden özenle oluşturulmuş istemlerle yönlendiriliyor. Her istem hedefi açıklar (örneğin, belirli bir perovskit bileşiminde kusurları azaltacak katkı maddelerini bulmak), bilimsel kriterleri listeler (katkının hangi tür kimyasal bağları oluşturması gerektiği veya kristal büyümesini nasıl etkilemesi gerektiği gibi) ve istenen çıktıyı belirtir (aday moleküller, önerilen konsantrasyonlar ve beklenen mekanizmalar). Model, öğrendiği bilgi içinde tarama yapabilir, sanal olarak binlerce molekülü “eleme”den geçirebilir ve neden her seçimin işe yarayacağına dair düşünce zincirini de içeren kısa bir liste döndürebilir. Kıyaslama testleri, temel düzeyden çok zorlayıcıya kadar perovskit‑özel muhakeme sorularında Perovskite‑R1’in birkaç önde gelen genel amaçlı dil modelini tutarlı şekilde geride bıraktığını gösteriyor.

Yapay zekâ tarafından seçilen bileşenleri teste koymak

Bu fikirlerin laboratuvarda geçerli olup olmadığını görmek için ekip, umut verici katkı maddelerini seçmesi için Perovskite‑R1’den istekte bulundu ve sonra bunları geleneksel kimyasal sezgiyle deneyimli araştırmacıların seçtiği moleküllerle karşılaştırdı. Dört adayın tümü—ikisi yapay zekâdan, ikisi insanlardan—kurşun ve iyot bileşenlerine bağlanabilecek fonksiyonel gruplar gibi mantıklı görünen özellikleri paylaşıyordu. Katkılar aynı düşük konsantrasyonda özdeş perovskit güneş pillerine eklendi ve her durum için 24 cihaz inşa edilip test edildi. Yapay zekâ tarafından seçilen moleküller ortalama verimi tutarlı şekilde artırdı ve performansı daha tekrarlanabilir kıldı; oysa insan eliyle seçilen katkılar kağıt üzerinde makul görünmelerine rağmen verim ve güvenilirliği kötüleştirdi.

Yapay zekânın muhakemesi gerçeğe nasıl uydu

Sade sayısal sonuçların ötesinde, araştırmacılar yapay zekânın seçtiği katkı maddelerinin neden daha iyi çalıştığını sorguladılar. Perovskite‑R1, bir molekülün kurşun iyonlarıyla koordinasyon bağları oluşturacağını, diğerinin ise kristal içinde stabilize edici hidrojen bağları kuracağını tahmin etmişti. Sonraki kızılötesi spektroskopi deneyleri gerçekten de bağ titreşimlerinde beklenen kaymaları gösterdi ve bu etkileşimleri doğruladı. Yapay zekâ seçimi katkılar içeren cihazlar ayrıca daha az elektriksel olarak aktif kusura sahipti ve ısı ve depolama altında performanslarını daha uzun süre korudular; kontrol cihazlar ve insan seçimi katkı maddelerine sahip cihazlar daha hızlı bozuldu. Bu sonuçlar Perovskite‑R1’in şansa dayalı tahminler yapmaktan ziyade anlamlı yapı‑işlev ilişkilerini yakalıyor olabileceğini gösteriyor.

Gelecekteki malzeme keşfi için anlamı

Bu çalışma, alan‑uyumlu bir dil modelinin deneysel malzeme araştırmasında pratik bir ortak olarak hareket edebileceğini, etkili katkı maddeleri arayışını on binlerce seçenekten yönetilebilir, yüksek kaliteli bir kısa listeye daraltabileceğini gösteriyor. Perovskite‑R1 laboratuvar çalışmalarının yerini almıyor; bunun yerine bilim insanlarının test edebileceği iyi gerekçelendirilmiş hipotezler üretiyor, keşfi hızlandırıyor ve mevcut bilgiden daha iyi şekilde yararlanmayı sağlıyor. Yazarlar aynı yaklaşımı perovskit cihazların arayüzleri ve çok katmanlı mimarileri gibi diğer yönlerine genişletmeyi ve sonunda Perovskite‑R1 benzeri modelleri otomatik sentez platformlarına bağlamayı öngörüyorlar. Uzman olmayanlar için temel mesaj, dikkatle eğitilmiş yapay zekâ sistemlerinin artık hedefe yönelik, açıklanabilir bir şekilde daha iyi güneş malzemeleri tasarlamaya yardımcı olabileceği; bu da dayanıklı, yüksek verimli perovskit teknolojilerini günlük kullanıma daha yakın hale getiriyor.

Atıf: 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

Anahtar kelimeler: perovskit güneş pilleri, malzeme keşfi, büyük dil modelleri, öncül katkı maddeleri, kimyada yapay zeka