Perovskite-R1：一种面向领域的专用大型语言模型，用于智能发现前驱体添加剂与实验设计

更聪明的助力带来更好的太阳能

钙钛矿太阳能电池是实现更廉价、更高效太阳能的最有前途路线之一，但将实验室的突破转化为耐用的商业电池仍然充满挑战。微量化学添加剂可以显著改善这些材料，然而在成千上万种可能性和大量研究论文的干扰下，挑选合适的添加剂犹如在干草堆中找针。本文介绍了Perovskite‑R1，一种为阅读文献、进行化学推理并提出更可靠制备高性能钙钛矿太阳能电池配方而专门构建的人工智能系统。

为何钙钛矿太阳能电池需要提升

在短短十多年里，钙钛矿太阳能电池的能量转换效率已从几个百分点跃升至近27%，与最好的硅电池相当，同时能够更容易、更低成本地通过溶液法制备。其致命弱点是稳定性：吸光层在高温、湿度和长期运行下可能退化，尤其当晶体结构存在大量缺陷时。经验证的一种强化薄膜的方法是向起始溶液中加入精心挑选的分子，这些分子能指导晶体生长并有助于“修复”缺陷。但随着钙钛矿相关文献激增与化学空间几乎无限，人为的试错和直觉已难以跟上。

训练一个狭窄领域的AI专家

研究人员通过构建Perovskite‑R1来应对这一问题，这是一种针对钙钛矿化学专门微调的大型语言模型。他们首先策划了1,232篇高质量研究论文，重点关注添加剂如何影响钙钛矿薄膜的合成、结构与性能。还组建了一个包含33,269种“类药物”小分子的库，这些结构多样的小分子可能作为候选添加剂。研究团队利用另一强大AI模型将论文与分子描述转化为近1万条包含显式推理步骤的问答示例，然后用这些示例对现有的大型语言模型进行再训练，使其能够以更详细、适用于实验室的方式讨论钙钛矿，而不仅仅是泛泛的科学术语。

从文本提示到具体的实验配方

Perovskite‑R1并非仅回答测验问题；它通过精心构建的提示框架来模拟科学家制定设计任务的方式。每个提示解释目标（例如，寻找能在特定钙钛矿组成中减少缺陷的添加剂）、列出科学准则（例如添加剂应形成的化学键类型或应如何影响晶体生长），并指定期望输出（候选分子、建议浓度和预期作用机制）。模型可以从其学得的知识中筛选，虚拟“筛查”数千种分子，并返回一份简短候选清单及其思路链，解释为何每个选择应当有效。基准测试显示，在从基础到非常具有挑战性的钙钛矿特定推理问题上，Perovskite‑R1持续优于若干主流通用语言模型。

将AI挑选的成分付诸实验验证

为了检验这些想法在实验室中的可行性，团队让Perovskite‑R1选择有前景的添加剂，并将其与经验丰富的研究人员凭传统化学直觉选择的分子进行比较。所有四个候选分子——两种由AI选出、两种由人类选择——都具有看似合理的特征，例如能与钙钛矿中的铅和碘组分结合的官能团。将这些添加剂以相同的低浓度加入到相同的钙钛矿太阳能电池体系中，并为每种情况制备并测试24个器件。AI选出的分子稳定提高了平均效率并使性能更具可重复性，而人工选择的添加剂尽管在纸面上看起来合理，却实际上降低了效率和可靠性。

AI的推理如何与真实化学相符

超过纯数值结果外，研究人员进一步探讨了为何AI挑选的添加剂效果更好。Perovskite‑R1预测其中一种分子会与铅离子形成配位键，而另一种会在晶体内形成稳定的氢键。后续的红外光谱实验确实显示了键振动的预期位移，确认了这些相互作用。含AI选添加剂的器件电活性缺陷更少，在热和储存条件下保持性能的时间更长，而对照器件与含人选添加剂的器件退化更快。这些结果表明Perovskite‑R1捕捉到了有意义的结构—功能关系，而不是偶然的猜测。

对未来材料发现的意义

该研究表明，领域微调的语言模型可以作为实验材料研究中的实用伙伴，将有效添加剂的筛选从数万种可能缩小到可管理的高质量候选列表。Perovskite‑R1并不替代实验室工作；相反，它生成经良好推理支撑的假设供科学家检验，加速发现并更好地利用现有知识。作者设想将相同方法扩展到钙钛矿器件的其他方面——例如界面与多层结构——并最终将类似Perovskite‑R1的模型耦合到自动化合成平台。对非专业读者而言，关键信息是：经过精心训练的AI系统现在能够以有针对性且可解释的方式协助设计更好的太阳能材料，使耐用且高效的钙钛矿技术更接近日常应用。

引用: 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

关键词: 钙钛矿太阳能电池, 材料发现, 大型语言模型, 前驱体添加剂, 化学中的人工智能