Resumen Técnico: De la Literatura al Laboratorio: Avance de Ciclo Cerrado de Células Solares de Perovskita mediante LLM Guiado por Conocimiento de Dominio

1. Declaración del Problema

Las células solares de perovskita (PSC) representan una tecnología fotovoltaica disruptiva de próxima generación con eficiencias que superan el 27%. Sin embargo, su avance se ve obstaculizado por un espacio de diseño vasto y de alta dimensionalidad que abarca composiciones de precursores, ingeniería de solventes y parámetros de procesamiento. Los enfoques tradicionales impulsados por investigadores basados en el ensayo y error son laboriosos e ineficientes, y a menudo fallan en identificar los óptimos globales dentro de este complejo paisaje combinatorio.

Si bien los Modelos de Lenguaje de Gran Escala (LLM) ofrecen el potencial de aprovechar el conocimiento científico textual, los modelos existentes (por ejemplo, la serie GPT, ChemCrow, Coscientist) enfrentan limitaciones críticas en el dominio especializado de las PSC:

1. Desalineación Semántica: Tienen dificultades para alinear el razonamiento semántico general con el conocimiento cuantitativo preciso del dominio de la perovskita, generando a menudo recetas científicamente inválidas.
2. Ineficiencia en Espacios de Alta Dimensionalidad: Carecen de la capacidad para realizar extrapolaciones cuantitativas en espacios de diseño multiparamétricos, lo que los hace ineficaces para orquestar la optimización de ciclo cerrado necesaria para los avances en los dispositivos.

2. Metodología: El Marco PVK-LLM

Los autores proponen PVK-LLM, un marco guiado por el conocimiento del dominio diseñado para cerrar la brecha entre la literatura científica no estructurada y las recetas de materiales precisas. La metodología consta de dos componentes principales: un LLM especializado entrenado mediante aprendizaje por currículo y un flujo de trabajo de Optimización Bayesiana jerárquica (PVK-BO).

A. PVK-LLM: Aprendizaje por Currículo de Tres Etapas

Construido sobre la arquitectura base Qwen2.5-32B, el modelo se somete a una estrategia de entrenamiento de tres etapas para transformar un LLM general en un experto en el dominio:

1. Etapa I: Inyección de Conocimiento (PVK-Sci): El modelo es ajustado mediante fine-tuning con un conjunto de datos de 55,104 pares de pregunta-respuesta que cubren siete temas de investigación (por ejemplo, Estructura de Dispositivos, Ingeniería de Interfaz, Defectos). Esta etapa internaliza el vocabulario central del dominio y los patrones semánticos.
2. Etapa II: Alineación de Instrucciones:
   • PVK-Cite: Ajuste fino en 22,916 pares de QA para fundamentar las respuestas en citas de literatura específicas, asegurando la exactitud fáctica.
   • PVK-Exp: Ajuste fino en 10,648 pares de QA derivados de tablas experimentales para permitir la interpretación de métricas de rendimiento cuantitativas y mecanismos de eficiencia.
3. Etapa III: Generación Aumentada por Recuperación de Conocimiento (RAG): El modelo se conecta a un Grafo de Conocimiento de Perovskita (PVK-KG) que contiene 23,789 entidades y 22,272 triples. Este grafo se actualiza dinámicamente mediante un flujo automatizado, permitiendo al modelo acceder a los últimos descubrimientos científicos sin necesidad de reentrenamientos frecuentes.

B. PVK-BO: Optimización Bayesiana Jerárquica

Para navegar por el espacio de diseño de alta dimensionalidad, el marco emplea PVK-BO, un motor de optimización que integra las capacidades generativas del LLM con la Optimización Bayesiana. El flujo de trabajo opera en un ciclo cerrado:

1. Calentamiento (Warmstarting): PVK-LLM genera candidatos iniciales de alta calidad basados en el conocimiento del dominio, abordando el problema del "arranque en frío" (cold-start).
2. Diseño de Recetas y Muestreo de Candidatos: El LLM actúa como una distribución de propuesta generativa, sugiriendo nuevas recetas condicionadas por la retroalimentación histórica y el rendimiento objetivo.
3. Modelado de Sustituto (Surrogate Modelling): El LLM funciona como un sustituto probabilístico para predecir el rendimiento de los candidatos antes de la verificación física.
4. Función de Adquisición: En lugar de funciones estadísticas rígidas, el propio PVK-LLM actúa como una función de adquisición inteligente, sopesando las ganancias potenciales de rendimiento frente al valor de exploración para seleccionar la siguiente receta óptima.
5. Verificación: Las recetas se validan mediante simuladores basados en la física (SCAPS-1D) o experimentos de laboratorio húmedo (wet-lab), y los resultados se retroalimentan para refinar la estrategia.

3. Resultados Clave

A. Rendimiento de Referencia (Benchmark)

• Conocimiento de Dominio: En el benchmark PVK-MCQ (1,103 preguntas de opción múltiple), PVK-LLM alcanzó una precisión de vanguardia del 87.25%, superando a LLMs generales como Qwen2.5-72B y GPT-4o.
• Evaluación Cualitativa: En tareas de generación de respuesta abierta (PVK-QA), PVK-LLM obtuvo la puntuación más alta en precisión, completitud, relevancia y claridad.
• Evaluación Humana: En comparaciones de pares con cinco expertos en el dominio, PVK-LLM logró tasas de victoria dominantes: 69.5% contra Qwen2.5-32B, 65.5% contra GPT-4 y 68.0% contra Deepseek-R1.
• Estructura Semántica: La visualización t-SNE confirmó que el espacio de incrustación (embedding) de PVK-LLM forma clústeres semánticos distintivos y significativos para los materiales de perovskita, a diferencia de la distribución aleatoria del modelo base.

B. Experimentos de Simulación

Utilizando SCAPS-1D, el marco fue probado en tareas de Alineación de Banda (Band Alignment) y Optimización de Dopaje:

• Eficiencia de Inicialización: PVK-BO logró una media de Eficiencia de Conversión de Energía (PCE) inicial más alta que la búsqueda aleatoria, las secuencias de Sobol y el muestreo de Hipercubo Latino, evitando eficazmente la fase de exploración inicial.
• Convergencia: En la Alineación de Banda, PVK-BO alcanzó una PCE máxima de 26.52%. En la Optimización de Dopaje, alcanzó el 25.44%, superando a las líneas base estándar de Optimización Bayesiana (BO), HEBO y TuRBO, con una menor varianza y una convergencia más rápida.

C. Experimento de Laboratorio Húmedo (Wet-Lab)

En un experimento autónomo de ciclo cerrado en laboratorio húmedo dirigido a PSCs de tipo p-i-n:

• Descubrimiento: PVK-LLM identificó la pasivación de la interfaz como el cuello de botella y diseñó autónomamente un nuevo sistema de pasivación sinérgica de cuatro componentes no reportado anteriormente: 3MTPAI, PDAI2, EDAI2 y PipDI.
• Optimización: A través de tres épocas iterativas, el modelo refinó las proporciones de la mezcla.
  • Época 0 (Línea base): 23.68% PCE.
  • Época 1: 25.07% PCE.
  • Época 2: 25.23% PCE.
  • Época 3 (Campeón): 26.00% PCE ($V_{OC}=1.155$ V, $J_{SC}=26.35$ mA/cm², $FF=85.44\%$).
• Este resultado se aproxima a los récords mundiales alcanzados típicamente mediante un extenso ensayo y error por parte de expertos.

4. Significado y Reivindicaciones

El artículo afirma que PVK-LLM demuestra con éxito que la IA guiada por el conocimiento del dominio puede:

1. Internalizar la Experiencia Científica: Al cerrar la brecha semántica entre el lenguaje natural y la ciencia de materiales cuantitativa, el modelo puede comprender parámetros de fabricación complejos y registros experimentales.
2. Acelerar el Descubrimiento de Materiales: El marco navega eficazmente por espacios de diseño de alta dimensionalidad, superando los problemas de arranque en frío y reduciendo el ciclo de iteración desde el diseño teórico hasta la validación en laboratorio.
   3.Permitir la Optimización Autónoma: La integración de LLMs con la Optimización Bayesiana permite la propuesta autónoma de recetas novedosas y de alto rendimiento (como el dispositivo de 26.0% PCE) sin guía humana en el bucle de toma de decisiones.

Los autores señalan que, si bien la ejecución física actual depende de un "humano en el bucle" para la ejecución en laboratorio húmedo, el marco está diseñado para ser extensible. Mediante la integración de interfaces API estándar para la automatización de laboratorios, el sistema aspira a evolucionar hacia un agente fundacional para laboratorios de conducción autónoma, aplicable a otros desafíos de la ciencia de materiales como la optimización de electrolitos de baterías o el cribado de fotovoltaica orgánica.

Limitaciones Reconocidas:

• El éxito predictivo del modelo está limitado por la calidad, el ruido y las inconsistencias de reporte de la literatura académica de código abierto existente.
• El rendimiento actual del laboratorio húmedo está limitado por la intervención manual, aunque el bucle de toma de decisiones es completamente cerrado.