Riepilogo Tecnico: Dalla Letteratura al Laboratorio: Avanzamento a Ciclo Chiuso delle Celle Solari a Perovskite tramite LLM Guidato dalla Conoscenza di Dominio

1. Definizione del Problema

Le celle solari a perovskite (PSC) rappresentano una tecnologia fotovoltaica di prossima generazione dirompente, con efficienze che superano il 27%. Tuttavia, il loro progresso è ostacolato da uno spazio di progettazione vasto e ad alta dimensionalità che comprende composizioni dei precursori, ingegneria dei solventi e parametri di lavorazione. Gli approveri approcci tradizionali guidati dai ricercatori basati su tentativi ed errori sono laboriosi e inefficienti, spesso fallendo nell'identificare gli ottimi globali all'interno di questo complesso panorama combinatorio.

Sebbene i Large Language Models (LLM) offrano il potenziale per sfruttare la conoscenza testuale scientifica, i modelli esistenti (ad esempio, serie GPT, ChemCrow, Coscientist) affrontano critiche limitazioni nel dominio specializzato delle PSC:

1. Disallineamento Semantico: Faticano ad allineare il ragionamento semantico generale con la precisa conoscenza quantitativa del dominio delle perovskiti, generando spesso ricette scientificamente non valide.
2. Inefficienza negli Spazi ad Alta Dimensionalità: Mancano della capacità di eseguire l'estrapolazione quantitativa in spazi di progettazione multiparametrici, rendendoli inefficaci nell'orchestrare l'ottimizzazione a ciclo chiuso necessaria per le scoperte tecnologiche nei dispositivi.

2. Metodologia: Il Framework PVK-LLM

Gli autori propongono PVK-LLM, un framework guidato dalla conoscenza di dominio progettato per colmare il divario tra la letteratura scientifica non strutturata e le precise ricette dei materiali. La metodologia consiste in due componenti primarie: un LLM specializzato addestrato tramite apprendimento curricolare e un workflow di Ottimizzazione Bayesiana gerarchica (PVK-BO).

A. PVK-LLM: Apprendimento Curricolare in Tre Fasi

Costruito sul backbone Qwen2.5-32B, il modello è sottoposto a una strategia di addestramento in tre fasi per trasformare un LLM generale in un esperto di dominio:

1. Fase I: Iniezione di Conoscenza (PVK-Sci): Il modello viene perfezionato su un dataset di 55.104 coppie domanda-risposta che coprono sette temi di ricerca (es. Struttura del Dispositivo, Ingegneria dell'Interfaccia, Difetti). Questa fase interiorizza il vocabolario di dominio e i pattern semantici fondamentali.
2. Fase II: Allineamento delle Istruzioni:
   • PVK-Cite: Perfezionamento su 22.916 coppie QA per ancorare le risposte a specifiche citazioni della letteratura, garantendo l'accuratezza fattuale.
   • PVK-Exp: Perfezionamento su 10.648 coppie QA derivate da tabelle sperimentali per abilitare l'interpretazione di metriche prestazionali quantitative e meccanismi di efficienza.
3. Fase III: Generazione Aumentata dal Recupero della Conoscenza (RAG): Il modello è connesso a un Grafo di Conoscenza della Perovskite (PVK-KG) contenente 23.789 entità e 22.272 triple. Questo grafo viene aggiornato dinamicamente tramite una pipeline automatizzata, permettendo al modello di accedere alle ultime scoperte scientifiche senza frequenti riaddestramenti.

B. PVK-BO: Ottimizzazione Bayesiana Gerarchica

Per navigare lo spazio di progettazione ad alta dimensionalità, il framework impiega PVK-BO, un motore di ottimizzazione che integra le capacità generative dell'LLM con l'Ottimizzazione Bayesiana. Il workflow opera in un ciclo chiuso:

1. Warmstarting: PVK-LLM genera candidati iniziali di alta qualità basati sulla conoscenza di dominio, affrontando il problema del "cold-start".
2. Progettazione della Ricetta e Campionamento dei Candidati: L'LLM agisce come una distribuzione di proposta generativa, suggerendo nuove ricette condizionate dal feedback storico e dalle prestazioni target.
3. Modellazione del Sostituto (Surrogate Modelling): L'LLM funge da sostituto probabilistico per prevedere le prestazioni dei candidati prima della verifica fisica.
4. Funzione di Acquisizione: Inveve di rigide funzioni statistiche, PVK-LLM stesso agisce come una funzione di acquisizione intelligente, pesando i potenziali guadagni di prestazione rispetto al valore di esplorazione per selezionare la prossima ricetta ottimale.
5. Verifica: Le ricette vengono validate tramite simulatori basati sulla fisica (SCAPS-1D) o esperimenti in laboratorio (wet-lab), con i risultati reimmessi per raffinare la strategia.

3. Risultati Chiave

A. Prestazioni di Benchmark

• Conoscenza di Dominio: Sul benchmark PVK-MCQ (1.103 domande a scelta multipla), PVK-LLM ha raggiunto un'accuratezza state-of-the-art dell'87,25%, superando LLM generali come Qwen2.5-72B e GPT-4o.
• Valutazione Qualitativa: Nei compiti di generazione aperta (PVK-QA), PVK-LLM ha ottenuto i punteggi più alti in termini di accuratezza, completezza, rilevanza e chiarezza.
• Valutazione Umana: In confronti a coppie con cinque esperti di dominio, PVK-LLM ha ottenuto tassi di vittoria dominanti: 69,5% contro Qwen2.5-32B, 65,5% contro GPT-4 e 68,0% contro Deepseek-R1.
• Struttura Semantica: La visualizzazione t-SNE ha confermato che lo spazio di embedding di PVK-LLM forma cluster semantici distinti e significativi per i materiali a perovskite, a differenza della distribuzione casuale del modello base.

B. Esperimenti con Simulatore

Utilizzando SCAPS-1D, il framework è stato testato sui compiti di Allineamento della Banda (Band Alignment) e Ottimizzazione del Doping:

• Efficienza di Inizializzazione: PVK-BO ha raggiunto un'efficienza media iniziale della Power Conversion Efficiency (PCE) superiore alla ricerca casuale, alle sequenze di Sobol e al campionamento Latin Hypercube, bypassando efficacementamente la fase di esplorazione iniziale.
• Convergenza: Nell'allineamento della banda, PVK-BO ha raggiunto una PCE massima del 26,52%. Nell'ottimizzazione del doping, ha raggiunto il 25,44%, superando i baseline standard di Ottimizzazione Bayesiana (BO), HEBO e TuRBO, con una varianza inferiore e una convergenza più rapida.

C. Esperimento in Laboratorio (Wet-Lab)

In un esperimento di laboratorio autonomo a ciclo chiuso mirato a PSC p-i-n:

• Scoperta: PVK-LLM ha identificato la passivazione dell'interfaccia come il collo di bottiglia e ha progettato autonomamente un nuovo, inedito sistema di passivazione sinergica a quattro componenti: 3MTPAI, PDAI2, EDAI2 e PipDI.
• Ottimizzazione: Attraverso tre epoche iterative, il modello ha raffinato i rapporti di miscela.
  • Epoca 0 (Baseline): 23,68% PCE.
  • Epoca 1: 25,07% PCE.
  • Epoca 2: 25,23% PCE.
  • Epoca 3 (Campione): 26,00% PCE ($V_{OC}=1,155$ V, $J_{SC}=26,35$ mA/cm², $FF=85,44\%$).
• Questo risultato si avvicina ai record mondiali tipicamente raggiunti attraverso estesi tentativi ed errori da parte di esperti.

4. Significato e Rivendicazioni

L'articolo sostiene che PVK-LLM dimostra con successo che l'IA guidata dalla conoscenza di dominio può:

1. Interiorizzare l'Esperienza Scientifica: Colmando il divario semantico tra linguaggio naturale e scienza dei materiali quantitativa, il modello può comprendere complessi parametri di fabbricazione e record sperimentali.
2. Accelerare la Scoperta di Materiali: Il framework naviga efficacementamente spazi di progettazione ad alta dimensionalità, superando i problemi di cold-start e riducendo il ciclo di iterazione dalla progettazione teorica alla validazione in laboratorio.
3. Abilitare l'Ottimizzazione Autonoma: L'integrazione degli LLM con l'Ottimizzazione Bayesiana consente la proposta autonoma di nuove ricette ad alte prestazioni (come il dispositivo al 26,0% PCE) senza guida umana nel ciclo decisionale.

Gli autori osservano che, sebbene l'esecuzione fisica attuale si affidi a un "umano nel ciclo" (human-in-the-loop) per l'esecuzione in laboratorio, il framework è progettato per l'estensibilità. Integrando interfacce API standard per l'automazione del laboratorio, il sistema mira a evolversi in un agente fondamentale per i laboratori a guida autonoma, applicabile ad altre sfide della scienza dei materiali come l'ottimizzazione degli elettroliti per batterie o lo screening di fotovoltaici organici.

Limitazioni Riconosciute:

• L'accuratezza predittiva del modello è limitata dalla qualità, dal rumore e dalle incongruenze nella segnalazione della letteratura accademica open-source esistente.
• Il throughput attuale del laboratorio è limitato dall'intervento manuale, sebbene il ciclo decisionale sia completamente chiuso.