Technisches Resümee: Von der Literatur zum Labor: Geschlossener Kreislauf zur Weiterentwicklung von Perowskit-Solarzellen mittels domänenspezifisch gesteuerter LLMs

1. Problemstellung

Perowskit-Solarzellen (PSCs) stellen eine disruptive nächste Generation der Photovoltaiktechnologie dar, deren Wirkungsgrade über 27 % liegen. Ihr Fortschritt wird jedoch durch einen riesigen, hochdimensionalen Designraum behindert, der Vorläuferzusammensetzungen, Lösungsmittel-Engineering und Verarbeitungsparameter umfasst. Traditionelle, durch Forscher gesteuerte Trial-and-Error-Ansätze sind mühsam und ineffizient und scheitern oft daran, globale Optima innerhalb dieser komplexen kombinatorischen Landschaft zu identifizieren.

Obwohl Large Language Models (LLMs) das Potenzial bieten, textbasiertes wissenschaftliches Wissen zu nutzen, stehen bestehende Modelle (z. B. GPT-Serie, ChemCrow, Coscientist) vor kritischen Einschränkungen im spezialisierten Bereich der PSCs:

1. Semantische Fehlausrichtung: Sie haben Schwierigkeiten, allgemeines semantisches Schließen mit präzisem, quantitativem Perowskit-Fachwissen in Einklang zu bringen, was oft wissenschaftlich ungültige Rezepte generiert.
2. Ineffizienz in hochdimensionalen Räumen: Ihnen fehlt die Fähigkeit zur quantitativen Extrapolation in multiparametrischen Designräumen, was sie ineffektiv bei der Orchestrierung der für Durchbrüche erforderlichen geschlossenen Optimierungsschleifen macht.

2. Methodik: Das PVK-LLM-Framework

Die Autoren schlagen PVK-LLM vor, ein durch Domänenwissen gesteuertes Framework, das die Lücke zwischen unstrukturierter wissenschaftlicher Literatur und präzisen Materialrezepten schließt. Die Methodik besteht aus zwei Primärkomponenten: einem spezialisierten LLM, das mittels Curriculum Learning trainiert wurde, und einem hierarchischen Bayesschen Optimierungs-Workflow (PVK-BO).

A. PVK-LLM: Drei-Stufen-Curriculum-Learning

Aufbauend auf dem Qwen2.5-32B Backbone durchläuft das Modell eine dreistufige Trainingsstrategie, um das allgemeine LLM in einen Fachexperten zu verwandeln:

1. Stufe I: Wissensinjektion (PVK-Sci): Das Modell wird auf einem Datensatz von 55.104 Frage-Antwort-Paaren feinjustiert, die sieben Forschungsthemen abdecken (z. B. Bauelementstruktur, Grenzflächen-Engineering, Defekte). In dieser Stufe verinnerlicht es den zentralen Fachwortschatz und semantische Muster.
2. Stufe II: Instruktions-Alignment:
   • PVK-Cite: Feinabstimmung auf 22.916 QA-Paaren, um Antworten in spezifischen Literaturzitaten zu verankern und so die faktische Genauigkeit zu gewährleisten.
   • PVK-Exp: Feinabstimmung auf 10.648 QA-Paaren, die aus experimentellen Tabellen abgeleitet wurden, um die Interpretation quantitativer Leistungsmetriken und Effizienzmechanismen zu ermöglichen.
3. Stufe III: Knowledge Retrieval-Augmented Generation (RAG): Das Modell ist mit einem Perowskit-Wissensgraphen (PVK-KG) verbunden, der 23.789 Entitäten und 22.272 Tripel enthält. Dieser Graph wird über eine automatisierte Pipeline dynamisch aktualisiert, sodass das Modell auf die neuesten wissenschaftlichen Erkenntnisse zugreifen kann, ohne häufiges Retraining zu benötigen.

B. PVK-BO: Hierarchische Bayessche Optimierung

Um den hochdimensionalen Designraum zu navigieren, nutzt das Framework PVK-BO, eine Optimierungsmaschine, die die generativen Fähigkeiten des LLMs mit der Bayesschen Optimierung integriert. Der Workflow arbeitet in einem geschlossenen Kreislauf:

1. Warmstarting: PVK-LLM generiert hochwertige initiale Kandidaten basierend auf Domänenwissen, wodurch das „Cold-Start“-Problem gelöst wird.
2. Rezeptdesign & Kandidatenauswahl: Das LLM fungiert als generative Vorschlagsverteilung, die neue Rezepte unter Berücksichtigung von historischem Feedback und Ziel-Leistung vorschlägt.
3. Surrogatmodellierung: Das LLM dient als probabilistisches Surrogat, um die Leistung von Kandidaten vor der physikalischen Verifizierung vorherzusagen.
4. Akquisitionsfunktion: Anstatt starrer statistischer Funktionen fungiert PVK-LLM selbst als intelligente Akquisitionsfunktion, die potenzielle Leistungssteigerungen gegen den Explorationswert abwägt, um das nächste optimale Rezept auszuwählen.
5. Verifizierung: Rezepte werden über physikbasierte Simulatoren (SCAPS-1D) oder Nasslabor-Experimente validiert, wobei die Ergebnisse zur Verfeinerung der Strategie zurückgeführt werden.

3. Kernergebnisse

A. Benchmark-Leistung

• Domänenwissen: Im PVK-MCQ Benchmark (1.103 Multiple-Choice-Fragen) erreichte PVK-LLM eine State-of-the-Art Genauigkeit von 87,25 % und übertraf damit allgemeine LLMs wie Qwen2.5-72B und GPT-4o.
• Qualitative Bewertung: In offenen Generierungsaufgaben (PVK-QA) erzielte PVK-LLM die höchsten Werte in Bezug auf Genauigkeit, Vollständigkeit, Relevanz und Klarheit.
• Human Evaluation: In Paarvergleichen mit fünf Fachexperten erreichte PVK-LLM dominante Gewinnraten: 69,5 % gegenüber Qwen2.5-32B, 65,5 % gegenüber GPT-4 und 68,0 % gegenüber Deepseek-R1.
• Semantische Struktur: Eine t-SNE-Visualisierung bestätigte, dass der Embedding-Raum von PVK-LLM distinkte, semantisch bedeutsame Cluster für Perowskit-Materialien bildet, im Gegensatz zur zufälligen Verteilung des Basismodells.

B. Simulator-Experimente

Unter Verwendung von SCAPS-1D wurde das Framework bei Aufgaben zur Band-Ausrichtung (Band Alignment) und Dotierung-Optimierung getestet:

• Initialisierungseffizienz: PVK-BO erreichte einen höheren initialen mittleren Wirkungsgrad (PCE) als Random Search, Sobol-Sequenzen und Latin Hypercube Sampling, wodurch die initiale Explorationsphase effektiv übersprungen wurde.
• Konvergenz: Bei der Band-Ausrichtung erreichte PVK-BO einen maximalen PCE von 26,52 %. Bei der Dotierungs-Optimierung erreichte es 25,44 % und übertraf damit Standard-Bayesian-Optimization (BO), HEBO und die TuRBO-Baselines mit geringerer Varianz und schnellerer Konvergenz.

C. Nasslabor-Experiment

In einem autonomen geschlossenen Labor-Experiment, das auf p-i-n PSCs abzielt:

• Entdeckung: PVK-LLM identifizierte die Grenzflächenpassivierung als Engpass und entwarf autonom ein neuartiges, bisher nicht beschriebenes vierkomponentiges synergistisches Passivierungssystem: 3MTPAI, PDAI2, EDAI2 und PipDI.
• Optimierung: Durch drei iterative Epochen verfeinerte das Modell die Mischungsverhältnisse.
  • Epoche 0 (Baseline): 23,68 % PCE.
  • Epoche 1: 25,07 % PCE.
  • Epoche 2: 25,23 % PCE.
  • Epoche 3 (Champion): 26,00 % PCE ($V_{OC}=1,155$ V, $J_{SC}=26,35$ mA/cm², $FF=85,44 \%$).
• Dieses Ergebnis nähert sich Weltrekorden an, die üblicherweise durch umfangreiche Experten-Trial-and-Error-Verfahren erreicht werden.

4. Bedeutung und Ansprüche

Das Paper behauptet, dass PVK-LLM erfolgreich demonstriert, dass domänengeführtes KI-System folgendes leisten kann:

1. Internalisierung von Fachwissen: Durch die Überbrückung der semantischen Lücke zwischen natürlicher Sprache und quantitativem Materialwissenschaft kann das Modell komplexe Fertigungsparameter und experimentelle Aufzeichnungen verstehen.
2. Beschleunigung der Materialentdeckung: Das Framework navigiert effektiv durch hochdimensionale Designräume, überwindet Cold-Start-Probleme und verkürzt den Zyklus von der theoretischen Konstruktion bis zur Laborvalidierung.
3. Ermöglichung autonomer Optimierung: Die Integration von LLMs mit der Bayesschen Optimierung ermöglicht den autonomen Vorschlag neuartiger, hochperformanter Rezepte (wie das 26,0 % PCE Gerät) ohne menschliche Anleitung in der Entscheidungsschleife.

Die Autoren merken an, dass die aktuelle physische Ausführung auf ein „Human-in-the-loop“-Verfahren für die Nasslabor-Durchführung angewiesen ist, das Framework jedoch für die Erweiterbarkeit konzipiert ist. Durch die Integration von Standard-API-Schnittstellen für die Laborautomatisierung zielt das System darauf ab, sich zu einem grundlegenden Agenten für selbstfahrende Labore zu entwickeln, der auch auf andere materialwissenschaftliche Herausforderungen wie die Optimierung von Batterieelektrolyten oder das Screening organischer Photovoltaik anwendbar ist.

Anerkannte Einschränkungen:

• Die Vorhersagegenauigkeit des Modells ist begrenzt durch die Qualität, das Rauschen und die inkonsistente Berichterstattung der existierenden Open-Source-Fachliteratur.
• Der Durchsatz im aktuellen Nasslabor ist durch manuelle Intervention begrenzt, obwohl die Entscheidungsfindungsschleife vollständig geschlossen ist.