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

Resumen Técnico: Herramientas de LLM en la Predicción de la Estabilidad de Células Solares de Perovskita

Planteamiento del Problema
El desarrollo de las células solares de perovskita (PSC, por sus siglas en inglés) se ve obstaculizado por problemas de estabilidad, específicamente la degradación de la eficiencia de conversión de potencia (PCE) a lo largo del tiempo. La predicción de la vida útil (LT), a menudo definida como T80 (el tiempo para alcanzar el 80% de la eficiencia inicial), es crítica pero desafiante. Los enfoques tradicionales de aprendizaje automático (ML) estadístico tienen dificultades debido a la falta de datos de campo representativos a largo plazo (las PSC requieren >25 años, pero la historia de investigación es corta) y la dificultad de replicar factores ambientales complejos en exteriores (clima, espectro, carga) en pruebas aceleradas de laboratorio. Además, los sistemas existentes de LLM multi-agente para el diseño de PSC suelen carecer de integración con modelos de degradación basados en la física y requieren una experiencia de programación significativa. Este artículo investiga si los modelos de lenguaje extensos (LLM) estándar, como ChatGPT y DeepSeek, pueden asistir de forma independiente en la predicción de las tendencias de degradación y la vida útil de las PSC bajo condiciones de información incompleta y escasez de datos.

Metodología
Los autores proponen un marco en el que el LLM actúa como un interlocutor para un investigador de PSC, guiando la construcción de modelos de predicción sin requerir submódulos multi-agente personalizados. La metodología se basa en los siguientes componentes:

1. Construcción de la Ontología: El estudio define una ontología de dominio de sujeto para la predicción de la vida útil de las PSC. Esto incluye entidades como FaseDeDegradación, FaseDeRecuperación, MecanismoReversible (p. ej., migración de iones) y MecanismoIrreversible. Se consulta al LLM para generar esta ontología, asegurando que capture tanto la degradación monotónica como los comportamientos no monotónicos (autorrecuperación).
2. Síntesis e Integración de Datos: Reconociendo la escasez de datos de campo públicos de alta resolución para arquitecturas específicas, los autores utilizan el LLM para generar series temporales "sintéticas". El LLM identifica bases de datos meteorológicas relevantes (p. ej., DWD, ERA5, PVGIS) para ubicaciones específicas (p. ej., Berlín) y las combina con modelos matemáticos de degradación (Arrhenius, Eyring, procesos estocásticos de Ornstein-Uhlenbeck) para simular trayectorias diarias de PCE.
3. Selección y Validación de Modelos: El LLM tiene la tarea de seleccionar algoritmos de ML apropiados (p. ej., XGBoost, Random Forest, modelos híbridos XGB+OU) y definir estrategias de ingeniería de características. Incorpora parámetros ambientales (irradiancia, temperatura, humedad, UV) y detalles arquitectónicos (composición de capas) como entradas.
4. Flujo de Trabajo Basado en el Diálogo: El proceso se lleva a cabo a través de una interfaz de chat donde el "usuario" (investigador) proporciona restricciones (arquitectura, ubicación, intervalo de tiempo), y el LLM sugiere fuentes de datos, arquitecturas de modelos y métricas de validación (RMSE, MAE, $R^2$). El LLM también aborda el no-determinismo de sus propios resultados aprovechando las configuraciones de "temperatura" para explorar diversas hipótesis de degradación.

Contribuciones Clave

• Viabilidad de los LLM Independientes: El artículo demuestra que los LLM de última generación pueden identificar independientemente subproblemas en la predicción de la degradación de PSC (p. ej., la elección entre modelos reversibles e irreversibles) sin la necesidad de sistemas multi-agente complejos y personalizados.
• Consulta Basada en la Ontología: Los autores muestran que definir explícitamente la ontología del dominio del sujeto (incluyendo conceptos como EfectoDeHistéresis y FaseDeRecuperación) permite al LLM recuperar modelos físicos y literatura relevante, incluso cuando los conjuntos de datos específicos no están disponibles directamente.
• Generación de Datos Sintéticos: El estudio valida el uso de series temporales sintéticas generadas por LLM, derivadas de archivos meteorológicos y ecuaciones físicas de degradación, como un sustituto viable para los escasos datos experimentales en el entrenamiento y prueba de modelos de predicción.
• Gestión de la No-Monotonicidad: El enfoque incorpora con éxito mecanismos de degradación reversibles (autorrecuperación), que a menudo se pasan por alto en los modelos de degradación monotónicos estándar, pero que son críticos para una predicción precisa de la vida útil en exteriores.

Resultados
El artículo presenta un caso de estudio que predice la PCE de una arquitectura específica de PSC (ITO | 2PACz | Cs₀.₁₅FA₀.₈₅PbI₂.₅₅Br₀.₄₅ | C₆₀ | SnO₂ | Cu) en Berlín para el periodo de septiembre–noviembre de 2023.

• El LLM localizó e integró con éxito datos de múltiples fuentes (DWD, PVGIS y un conjunto de datos de envejecimiento de Perovskita de Zenodo) para construir las características de entrada necesarias.
• Utilizando un modelo híbrido (XGBoost + proceso de Ornstein-Uhlenbeck), el sistema generó series temporales que se alinearon con las tendencias de degradación observadas, incluyendo fluctuaciones estacionales y periodos de recuperación.
• El modelo demostró una precisión aceptable en la predicción de T80 tanto en intervalos cortos (1 mes) como largos (1 año), capturando correctamente la dirección de las tendencias de degradación a pesar del uso de datos de entrenamiento sintéticos.
• El LLM proporcionó justificaciones para las elecciones de los modelos y destacó la incertidumbre que rodea a mecanismos de degradación específicos (p. ej., migración de iones), ofreciendo una lista de temas debatidos y referencias.

Significancia y Reivindicaciones
Los autores concluyen que las herramientas de LLM actuales poseen acceso suficiente a muestras de entrenamiento y literatura para sugerir y justificar métodos de predicción para los diseñadores de PSC, incluso con modelos físicos incompletos. El artículo afirma que ChatGPT puede:

1. Sugerir varios modelos de PSC encontrados en la literatura.
2. Proporcionar soluciones adecuadas para predecir tendencias de degradación mediante la síntesis de datos ambientales y modelos físicos.
3. Actuar como una herramienta robusta para superar el problema de los "datos pequeños" en la investigación de PSC mediante la generación de conjuntos de datos sintéticos físicamente plausibles.

La significancia radica en la capacidad de estas herramientas para apoyar el proceso de diseño de PSC mediante la identificación de subproblemas y la oferta de soluciones que están explícita o implícitamente ausentes de las consultas iniciales del usuario, acelerando así la evaluación de la estabilidad de las PSC sin la necesidad inmediata de pruebas de campo extensas y costosas a largo plazo. El artículo mantiene un tono modesto, reconociendo que, si bien los LLM pueden guiar el proceso y proporcionar predicciones de tendencias precisas, el no-determinismo de las respuestas y los debates continuos en la comunidad científica respecto a mecanismos de degradación específicos requieren una interpretación y validación cuidadosa por parte del usuario.