Résumé Technique : De la Littérature au Laboratoire : Avancement en Boucle Fermée des Cellules Solaires à Pérovskite via un LLM Guidé par les Connaissances de Domaine

1. Énoncé du Problème

Les cellules solaires à pérovskite (PSC) représentent une technologie photovoltaïque de nouvelle génération disruptive avec des rendements dépassant 27 %. Cependant, leur progression est entravée par un espace de conception vaste et de haute dimension englobant les compositions de précurseurs, l'ingénierie des solvants et les paramètres de traitement. Les approches traditionnelles de type essai-erreur dirigées par les chercheurs sont laborieuses et inefficaces, échouant souvent à identifier les optima globaux au sein de ce paysage combinatoire complexe.

Bien que les modèles de langage étendus (LLM) offrent un potentiel pour exploiter les connaissances scientifiques textuelles, les modèles existants (par exemple, la série GPT, ChemCrow, Coscientist) font face à des limitations critiques dans le domaine spécialisé des PSC :

1. Désalignement Sémantique : Ils peinent à aligner le raisonnement sémantique général avec les connaissances quantitatives précises du domaine de la pérovskite, générant souvent des recettes scientifiquement invalides.
2. Inefficacité dans les Espaces de Haute Dimension : Ils manquent de la capacité d'effectuer une extrapolation quantitative dans des espaces de conception multiparamétriques, ce qui les rend inefficaces pour orchestrer l'optimisation en boucle fermée requise pour les percées des dispositifs.

2. Méthodologie : Le Cadre PVK-LLM

Les auteurs proposent PVK-LLM, un cadre guidé par les connaissances de domaine conçu pour combler le fossé entre la littérature scientifique non structurée et les recettes de matériaux précises. La méthodologie se compose de deux composants principaux : un LLM spécialisé entraîné par apprentissage par curriculum et un flux de travail d'optimisation bayésienne hiérarchique (PVK-BO).

A. PVK-LLM : Apprentissage par Curriculum en Trois Étapes

Construit sur l'architecture Qwen2.5-32B, le modèle subit une stratégie d'entraînement en trois étapes pour transformer un LLM général en un expert de domaine :

1. Étape I : Injection de Connaissances (PVK-Sci) : Le modèle est affiné sur un ensemble de données de 55 104 paires question-réponse couvrant sept thèmes de recherche (ex: structure de dispositif, ingénierie d'interface, défauts). Cette étape intériorise le vocabulaire de base du domaine et les motifs sémantiques.
2. Étape II : Alignement des Instructions :
   • PVK-Cite : Affinement sur 22 916 paires QA pour ancrer les réponses dans des citations de littérature spécifiques, garantissant l'exactitude factuelle.
   • PVK-Exp : Affinement sur 10 648 paires QA dérivées de tableaux expérimentaux pour permettre l'interprétation des métriques de performance quantitatives et des mécanismes d'efficacité.
3. Étape III : Génération Augmentée par Récupération de Connaissances (RAG) : Le modèle est connecté à un Graphe de Connaissances sur la Pérovskite (PVK-KG) contenant 23 789 entités et 22 272 triplets. Ce graphe est mis à jour dynamiquement via un pipeline automatisé, permettant au modèle d'accéder aux dernières découvertes scientifiques sans réentraînement fréquent.

B. PVK-BO : Optimisation Bayésienne Hiérarchique

Pour naviguer dans l'espace de conception de haute dimension, le cadre utilise PVK-BO, un moteur d'optimisation qui intègre les capacités génératives du LLM avec l'optimisation bayésienne. Le flux de travail opère en boucle fermée :

1. Warmstarting (Démarrage à chaud) : PVK-LLM génère des candidats initiaux de haute qualité basés sur les connaissances de domaine, résolvant le problème du "cold-start".
2. Conception de Recettes et Échantillonnage de Candidats : Le LLM agit comme une distribution de proposition générative, suggérant de nouvelles recettes conditionnées par le feedback historique et la performance cible.
3. Modélisation de Substitut (Surrogate Modelling) : Le LLM fonctionne comme un substitut probabiliste pour prédire la performance des candidats avant la vérification physique.
4. Fonction d'Acquisition : Au lieu de fonctions statistiques rigides, PVK-LLM agit lui-même comme une fonction d'acquisition intelligente, pesant les gains de performance potentiels par rapport à la valeur d'exploration pour sélectionner la prochaine recette optimale.
5. Vérification : Les recettes sont validées via des simulateurs basés sur la physique (SCAPS-1D) ou des expériences en laboratoire humide, les résultats étant réinjectés pour affiner la stratégie.

3. Résultats Clés

A. Performance de Référence (Benchmark)

• Connaissance de Domaine : Sur le benchmark PVK-MCQ (1 103 questions à choix multiples), PVK-LLM a atteint une précision de pointe de 87,25 %, surpassant les LLM généraux comme Qwen2.5-72B et GPT-4o.
• Évaluation Qualitative : Dans les tâches de génération ouverte (PVK-QA), PVK-LLM a obtenu les scores les plus élevés en termes d'exactitude, de complétude, de pertinence et de clarté.
• Évaluation Humaine : Dans des comparaisons par paires avec cinq experts du domaine, PVK-LLM a obtenu des taux de victoire dominants : 69,5 % contre Qwen2.5-32B, 65,5 % contre GPT-4, et 68,0 % contre Deepseek-R1.
• Structure Sémantique : La visualisation t-SNE a confirmé que l'espace d'embedding de PVK-LLM forme des clusters sémantiques distincts et significatifs pour les matériaux de pérovskite, contrairement à la distribution aléatoire du modèle de base.

B. Expériences de Simulation

En utilisant SCAPS-1D, le cadre a été testé sur des tâches d'Alignement de Bande et d'Optimisation de Dopage :

• Efficacité d'Initialisation : PVK-BO a atteint un rendement moyen initial de conversion de puissance (PCE) plus élevé que la recherche aléatoire, les séquences de Sobol et l'échantillonnage de Latin Hypercube, contournant efficacement la phase d'exploration initiale.
• Convergence : Dans l'alignement de bande, PVK-BO a atteint un PCE maximum de 26,52 %. Dans l'optimisation de dopage, il a atteint 25,44 %, surpassant les bases standard d'Optimisation Bayésienne (BO), HEBO et TuRBO, avec une variance plus faible et une convergence plus rapide.

C. Expérience en Laboratoire Humide

Dans une expérience de laboratoire humide autonome ciblant les PSC p-i-n :

• Découverte : PVK-LLM a identifié la passivation d'interface comme le goulot d'étranglement et a conçu de manière autonome un nouveau système de passivation synergique à quatre composants non rapporté : 3MTPAI, PDAI2, EDAI2, et PipDI.
• Optimisation : À travers trois époques itératives, le modèle a affiné les ratios de mélange.
  • Époque 0 (Base) : 23,68 % de PCE.
  • Époque 1 : 25,07 % de PCE.
  • Époque 2 : 25,23 % de PCE.
  • Époque 3 (Champion) : 26,00 % de PCE ($V_{OC}=1,155$ V, $J_{SC}=26,35$ mA/cm², $FF=85,44 \%$).
• Ce résultat approche les records mondiaux généralement obtenus par l'essai-erreur intensif des experts.

4. Signification et Revendications

L'article affirme que PVK-LLM démontre avec succès que l'IA guidée par les connaissances de domaine peut :

1. Intérioriser l'Expertise Scientifique : En comblant le fossé sémantique entre le langage naturel et la science des matériaux quantitative, le modèle peut comprendre des paramètres de fabrication complexes et des registres expérimentaux.
2. Accélérer la Découverte de Matériaux : Le cadre navigue efficacement dans les espaces de conception de haute dimension, surmontant les problèmes de démarrage à froid et réduisant le cycle d'itération entre la conception théorique et la validation en laboratoire.
3. Permettre l'Optimisation Autonome : L'intégration des LLM avec l'optimisation bayésienne permet la proposition autonome de nouvelles recettes de haute performance (telles que le dispositif à 26,0 % de PCE) sans guidage humain dans la boucle de décision.

Les auteurs notent que si l'exécution physique actuelle repose sur un "humain dans la boucle" pour l'exécution en laboratoire humide, le cadre est conçu pour être extensible. En intégrant des interfaces API standards pour l'automatisation du laboratoire, le système vise à évoluer vers un agent fondamental pour les laboratoires autonomes, applicable à d'autres défis de la science des matériaux tels que l'optimisation des électrolytes de batterie et le criblage des cellules photovoltaïques organiques.

Limites Reconnues :

• La précision prédictive du modèle est limitée par la qualité, le bruit et les incohérences de signalement de la littérature académique en libre accès existante.
• Le débit actuel du laboratoire humide est limité par l'intervention manuelle, bien que la boucle de décision soit entièrement fermée.