🔬 materials science

LLM tools in the prediction of the stability of perovskite solar cells

Diese Arbeit zeigt, dass große Sprachmodelle wie ChatGPT und DeepSeek effektiv dabei unterstützen können, die Stabilität und die Degradationsraten von Perowskit-Solarzellen vorherzusagen, indem sie durch Dialog Vorhersagemethoden vorschlagen und begründen, selbst wenn physikalische Modelle und Umweltdaten unvollständig sind.

Ursprüngliche Autoren: S. Frenkel, V. Zakharov, E. A. Katz

Veröffentlicht 2026-01-27

📖 5 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: S. Frenkel, V. Zakharov, E. A. Katz

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Das große Ganze: Die „Gesundheit“ von Solarzellen vorhersagen

Stellen Sie sich vor, Sie haben eine brandneue Art von Solarzelle gebaut (eine Perowskit-Solarzelle oder PSC). Sie ist wie ein hochmodernes, super-effizientes Solarmodul, das günstig herzustellen ist. Aber es gibt einen Haken: Diese Paneele sind zerbrechlich. Sie neigen dazu, schnell „krank“ zu werden (zu degradieren), wenn sie Sonne, Regen, Hitze und Feuchtigkeit ausgesetzt sind.

Die Wissenschaftler in dieser Arbeit wollen eine einfache Frage beantworten: „Wie lange wird dieses Solarmodul halten, bevor es nicht mehr gut funktioniert?“

Normalerweise müsste man das Paneel bauen und jahrelang draußen stehen lassen, um zu sehen, was passiert. Aber das dauert zu lange, und wir haben noch nicht genug Daten, da diese Solarzellen noch so neu sind. Deshalb fragten die Autoren: Können wir Künstliche Intelligenz (speziell „Chatbots“ wie ChatGPT) nutzen, um diese Lebensdauer vorherzusagen, ohne jahrelang warten zu müssen?

Die Hauptcharaktere

Das Solarmodul (PSC): Ein neuer, effizienter Energiegewinner, der anfällig dafür ist, kaputtzugehen.
Das Wetter: Der Feind. Sonne, Hitze und Feuchtigkeit sind das, was die Paneele altern lässt.
Die KI (ChatGPT/DeepSeek): Der „digitale Detektiv“. Die Forscher haben die KI nicht einfach nur nach einer Zahl gefragt; sie baten sie, wie ein Wissenschaftler zu agieren – alte Forschungsarbeiten zu finden, Wetterdaten zu sammeln und ein mathematisches Modell zu erstellen, um die Zukunft zu erraten.

Wie sie es gemacht haben: Die „digitale Zeitmaschine“

Die Forscher behandelten die KI wie einen intelligenten Assistenten in einem Gespräch. Hier ist der schrittweise Prozess, erklärt mit einer Analogie:

1. Das „Rezept“-Problem (Die Ontologie)
Stellen Sie sich vor, Sie versuchen einen Kuchen zu backen, aber Sie wissen nicht, welche Zutaten man braucht. Wenn Sie einen Koch fragen: „Wie backe ich das?“, muss er wissen, was ein „Kuchen“ ist, was „Mehl“ ist und wie „Hitze“ darauf wirkt.
Die Forscher brachten der KI die „Vokabeln“ der Solarzellen bei. Sie baten sie, eine mentale Landkarte (eine sogenannte Ontologie) von allem zu erstellen, was wichtig ist:

Schichten: Woraus die Solarzelle besteht (wie die Schichten eines Sandwiches).
Stressfaktoren: Was sie verletzt (Hitze, UV-Licht, Feuchtigkeit).
Erholung: Manchmal werden Solarzellen ein wenig krank, ruhen sich im Dunkeln aus und werden wieder besser. Die KI musste verstehen, dass „Besserwerden“ Teil der Geschichte ist und nicht nur das „Schlechterwerden“.

2. Hinweise sammeln (Datensuche)
Die Forscher baten die KI, echte Welt-Daten zu finden.

Das Wetter: Die KI suchte in digitalen Wetterarchiven (wie einer riesigen Bibliothek vergangener Wetterdaten) nach, wie heiß und sonnig Berlin im Jahr 2023 war.
Die Laborergebnisse: Die KI durchsuchte wissenschaftliche Arbeiten, um Daten darüber zu finden, wie sich ähnliche Solarmodule in der Vergangenheit verhalten haben.
Die „synthetische“ Lösung: Da sie keinen perfekten Datensatz aus der realen Welt für jeden einzelnen Tag hatten, erstellte die KI einen „synthetischen Datensatz“. Denken Sie an dies wie einen Flugsimulator. Die KI hat nicht einfach nur geraten; sie baute einen realistischen „falschen“ Zeitstrahl davon, wie das Solarmodul basierend auf der Physik, die sie aus Büchern gelernt hatte, und dem Wetter, das sie online fand, agieren sollte.

3. Das Vorhersagespiel
Sobald die KI über den „Flugsimulator“ (die synthetischen Daten) und die Wettergeschichte verfügte, baten die Forscher sie, die Zukunft vorherzusagen.

Sie gaben der KI Daten aus den ersten 6 Monaten des Jahres.
Sie fragen sie, was im September, Oktober und November passieren würde.
Die KI nutzte zwei verschiedene „mathematische Motoren“ (einer namens XGBoost und ein anderer, ein „Ornstein-Uhlenbeck“-Modell), um ihre Vermutung anzustellen.

Die Ergebnisse: Hat die KI es richtig gemacht?

Die Arbeit behauptet, dass die KI überraschend gut abgeschnitten hat.

Sie erkannte die „Winterblues“: Die KI sagte korrekt voraus, dass die Effizienz des Solarmoduls im Herbst/Winter signifikant sinken würde (aufgrund von weniger Sonne und mehr Kälte) und sich dann bei wechselnden Bedingungen wieder leicht erholen würde.
Sie bewältigte die „Krankheit“: Die KI verstand, dass das Paneel nicht einfach in einer geraden Linie stirbt, sondern Höhen und Tiefen hat. Sie konnte vorhersagen, wann das Modul unter ein „sicheres“ Niveau fallen würde (z. B. auf 80 % seiner ursprünglichen Leistung).

Der „Nicht-Determinismus“-Twist

Die Arbeit erwähnt eine amüsante Eigenheit der KI namens Nicht-Determinismus.

Die Analogie: Wenn Sie einen Menschen fragen: „Was gibt es zum Abendessen?“, sagt er heute vielleicht „Pizza“ und morgen „Pasta“, selbst wenn Sie exakt gleich fragen.
Der Vorteil: Die Autoren argumentieren, dass dies eigentlich gut ist. Da die KI jedes Mal leicht unterschiedliche Antworten gibt, untersucht sie verschiedene Blickwinkel des Problems. Manchmal konzentriert sie sich auf die Hitze, ein anderes Mal auf die Luftfeuchtigkeit. Durch die Kombination dieser verschiedenen „Meinungen“ erhielten die Forscher ein vollständigeres Bild vom Leben des Solarmoduls.

Das Fazit

Die Arbeit kommt zu dem Schluss, dass ChatGPT und ähnliche Werkzeuge bereit sind, Solarwissenschaftlern zu helfen.

Sie können eine Brücke zwischen unordentlichen, unvollständigen Realdaten und der komplexen Mathematik schlagen, die zur Vorhersage der Zukunft nötig ist.
Sie können verborgene Verbindungen in alten Forschungsarbeiten finden, die Menschen vielleicht übersehen würden.
Sie können Jahre an Wetter und Degradation in wenigen Minuten simulieren, was Wissenschaftlern hilft zu entscheiden, welche Designs von Solarzellen es wert sind, gebaut zu werden, und welche zu schnell versagen werden.

Kurz gesagt: Die Forscher nutzten einen intelligenten KI-Chatbot, um das Regelwerk der Solarzellen zu lesen, die Wettergeschichte zu prüfen und eine Simulation durchzuführen, um uns zu sagen, wie lange diese neuen Solarmodule halten werden. Damit wurde bewiesen, dass KI ein hilfreicher Partner bei der Lösung komplexer technischer Probleme sein kann.

Technische Zusammenfassung: LLM-Tools bei der Vorhersage der Stabilität von Perowskit-Solarzellen

Problemstellung
Die Entwicklung von Perowskit-Solarzellen (PSCs) wird durch Stabilitätsprobleme behindert, insbesondere durch die Degradation des Wirkungsgrads der Energieumwandlung (Power Conversion Efficiency, PCE) im Zeitverlauf. Die Vorhersage der Lebensdauer (Lifetime, LT), oft definiert als T80 (Zeit bis zu 80 % des Anfangswirkungsgrads), ist entscheidend, aber anspruchsvoll. Traditionelle statistische Ansätze des maschinellen Lernens (ML) haben Schwierigkeiten aufgrund eines Mangels an repräsentativen Langzeitfelddaten (PSCs benötigen >25 Jahre, die Forschungsgeschichte ist jedoch kurz) sowie der Schwierigkeit, komplexe Außenumweltfaktoren (Wetter, Spektrum, Last) in beschleunigten Labortests zu replizieren. Darüber hinaus fehlt es bestehenden Multi-Agenten-LLM-Systemen für das PSC-Design oft an der Integration mit physikalisch basierten Degradationsmodellen, und sie erfordern erhebliches Programmierwissen. Diese Arbeit untersucht, ob Standard-Large Language Models (LLMs) wie ChatGPT und DeepSeek unabhängig dazu beitragen können, PSC-Degradationstrends und Lebensdauern unter Bedingungen unvollständiger Informationen und Datenknappheit vorherzusagen.

Methodik
Die Autoren schlagen ein Framework vor, bei dem das LLM als Dialogpartner eines PSC-Forschers fungiert und die Konstruktion von Vorhersagemodellen leitet, ohne dass maßgeschneiderte Multi-Agenten-Submodelle erforderlich sind. Die Methodik stützt sich auf die folgenden Komponenten:

Ontologie-Konstruktion: Die Studie definiert eine Fachdomänen-Ontologie für die PSC-Lebensdauervorhersage. Diese umfasst Entitäten wie DegradationPhase, RecoveryPhase, ReversibleMechanism (z. B. Ionenmigration) und IrreversibleMechanism. Das LLM wird abgefragt, um diese Ontologie zu generieren, wodurch sichergestellt wird, dass sowohl monotone Degradation als auch nicht-monotone Verhaltensweisen (Selbstregeneration) erfasst werden.
Datensynthese und -integration: In Anerkennung der Knappheit öffentlicher, hochauflösender Felddaten für spezifische Architekturen nutzen die Autoren das LLM zur Generierung „synthetischer“ Zeitreihen. Das LLM identifiziert relevante meteorologische Datenbanken (z. B. DWD, ERA5, PVGIS) für spezifische Standorte (z. B. Berlin) und kombiniert diese mit mathematischen Degradationsmodellen (Arrhenius, Eyring, Ornstein-Uhlen-Uhlen-Stochastikprozesse), um tägliche PCE-Trajektorien zu simulieren.
Modellselektion und Validierung: Das LLM wird damit beauftragt, geeignete ML-Algorithmen (z. B. XGBoost, Random Forest, hybride XGB+OU-Modelle) auszuwählen und Strategien für das Feature-Engineering zu definieren. Es integriert Umweltparameter (Einstrahlung, Temperatur, Feuchtigkeit, UV) und architektonische Details (Schichtzusammensetzung) als Eingangsgrößen.
Dialoggesteuerter Workflow: Der Prozess erfolgt über eine Chat-Schnittstelle, in der der „Nutzer“ (Forscher) Randbedingungen (Architektur, Standort, Zeitintervall) vorgibt und das LLM Datentestquellen, Modellarchitekturen und Validierungsmetriken (RMSE, MAE, $R^2$ ) vorschlägt. Das LLM adressiert zudem die Nicht-Deterministik seiner eigenen Ausgaben, indem es „Temperature“-Einstellungen nutzt, um diverse Degradationshypothesen zu explorieren.

Wesentliche Beiträge

Machbarkeit eigenständiger LLMs: Die Arbeit zeigt, dass aktuelle State-of-the-Art-LLMs unabhängig in der Lage sind, Teilprobleme der PSC-Degradationsvorhersage zu identifizieren (z. B. die Wahl zwischen reversiblen und irreversiblen Modellen), ohne dass komplexe, maßgeschneiderte Multi-Agenten-Systeme erforderlich sind.
Ontologie-gesteuertes Abfragen: Die Autoren zeigen, dass die explizite Definition der Fachdomänen-Ontologie (einschließlich Konzepten wie HysteresisEffect und RecoveryPhase) es dem LLM ermöglicht, relevante physikalische Modelle und Literatur abzurufen, selbst wenn spezifische Datensätze nicht direkt verfügbar sind.
Synthetische Datengenerierung: Die Studie validiert die Verwendung von LLM-generierten synthetischen Zeitreihen, die aus meteorologischen Archiven und physikalischen Degradationsgleichungen abgeleitet wurden, als praktikable Alternative zu knappen experimentellen Daten für das Training und Testen von Vorhersagemodellen.
Umgang mit Nicht-Monotonie: Der Ansatz integreht erfolgreich reversible Degradationsmechanismen (Selbstregeneration), die in Standard-Degradationsmodellen oft übersehen werden, aber für eine genaue Vorhersage der Außenlebensdauer entscheidend sind.

Das LLM konnte erfolgreich Daten aus mehreren Quellen (DWD, PVGIS und einen Zenodo-Perowskit-Alterungsdatensatz) lokalisieren und integrieren, um die notwendigen Eingangsmerkmale zu konstruieren.
Unter Verwendung eines Hybridmodells (XGBoost + Ornstein-Uhlen-Uhlen-Prozess) generierte das System Zeitreihen, die mit beobachteten Degradationstrends übereinstimmten, einschließlich saisonaler Schwankungen und Erholungsphasen.
Das Modell demonstrierte eine akzeptable Genauigkeit bei der Vorhersage von T80 sowohl über kurze (1 Monat) als auch lange (1 Jahr) Intervalle und erfasste trotz der Verwendung synthetischer Trainingsdaten korrekt die Richtung der Degradationstrends.
Das LLM lieferte Begründungen für Modellentscheidungen und hob die Unsicherheit bezüglich spezifischer Degradationsmechanismen (z. B. Ionenmigration) hervor, indem es eine Liste diskutierter Themen und Referenzen bereitstellte.

Bedeutung und Behauptungen
Die Autoren kommen zu dem Schluss, dass aktuelle LLM-Tools über ausreichend Zugriff auf Trainingsbeispiele und Literatur verfügen, um Vorhersagemethoden für PSC-Designer vorzuschlagen und zu begründen, selbst bei unvollständigen physikalischen Modellen. Die Arbeit behauptet, dass ChatGPT in der Lage ist:

Verschiedene in der Literatur gefundene PSC-Modelle vorzuschlagen.
Angemessene Lösungen für die Vorhersage von Degradationstrends bereitzustellen, indem Umweltdaten und physikalische Modelle synthetisiert werden.
Als robustes Werkzeug zur Überwindung des „Small Data“-Problems in der PSC-Forschung zu dienen, indem physikalisch plausible synthetische Datensätze generiert werden.

Die Bedeutung liegt in der Fähigkeit dieser Werkzeuge, den PSC-Designprozess zu unterstützen, indem sie Teilprobleme identifizieren und Lösungen anbieten, die in der ursprünglichen Nutzeranfrage explizit oder implizit fehlen. Dies beschleunigt die Bewertung der PSC-Stabilität, ohne dass umfangreiche, kostspielige Langzeit-Felddaten unmittelbar erforderlich sind. Die Arbeit wahrt einen moderaten Ton und räumt ein, dass die Nicht-Deterministik der Antworten und die laufenden Debatten in der wissenschaftlichen Gemeinschaft hinsichtlich spezifischer Degradationsmechanismen eine sorgfältige Interpretation und Validierung durch den Nutzer erfordern.