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

技術要約：ペロブスカイト太陽電池の安定性予測におけるLLMツールの活用

問題提起
ペロブスカイト太陽電池（PSC）の開発は、安定性の問題、具体的には発電効率（PCE）の時間経過に伴う低下によって阻害されている。寿命（LT）の予測（多くの場合、初期効率の80%に達するまでの時間であるT80と定義される）は極めて重要であるが、困難を極める。従来の統計的な機械学習（ML）手法は、代表的な長期フィールドデータの不足（PSCには25年以上の期間が必要だが、研究の歴史は短い）や、加速ラボ試験において複雑な屋外環境因子（天候、スペクトル、負荷）を再現することの難しさにより、苦慮している。さらに、既存のマルチエージェントLLMシステムは、PSC設計において物理に基づいた劣化モデルとの統合に欠けていることが多く、高度なプログラミングの専門知識を必要とする。本論文では、標準的な大規模言語モデル（LLM）であるChatGPTやDeepSeekが、不完全な情報やデータの不足という条件下において、PSCの劣化傾向および寿命の予測を独立して支援できるかどうかを調査する。

手法
著者らは、LLMがPSC研究者の対話パートナーとして機能し、カスタムのマルチエージェント・サブモデルを必要とせずに予測モデルの構築を導くフレームワークを提案している。この手法は以下のコンポーネントに基づいている。

1. オントロジー構築： 本研究では、PSCの寿命予測に関する主題ドメイン・オントロジーを定義する。これには、DegradationPhase（劣化フェーズ）、RecoveryPhase（回復フェーズ）、ReversibleMechanism（可逆的メカニズム、例：イオン移動）、およびIrreversibleMechanism（不可逆的メカニズム）といったエンティティが含まれる。LLMに対してこのオントロジーを生成させることで、単調な劣化と非単調な挙動（自己回復）の両方を捉えられるようにする。
2. データ合成と統合： 特定のアーキテクチャに関する公開された高解像度フィールドデータの不足を認識し、著者らはLLMを利用して「合成」時系列データを生成する。LLMは、特定の場所（例：ベルリン）に関する関連する気象データベース（例：DWD、ERA5、PVGIS）を特定し、それらを数学的な劣化モデル（アレニウス、アイリング、オルンシュタイン＝ウーレンベック確率過程）と組み合わせることで、日次のPCE軌跡をシミュレートする。
3. モデル選択と検証： LLMには、適切なMLアルゴリズム（例：XGBoost、ランダムフォレスト、ハイブリッドXGB+OUモデル）の選択および特徴量エンジニアリング戦略の定義というタスクが課される。環境パラメータ（日射量、温度、湿度、UV）および構造の詳細（層組成）をインプットとして組み込む。
4. 対話駆動型ワークフロー： プロセスはチャットインターフェースを介して行われ、「ユーザー」（研究者）が制約（アーキテクチャ、場所、時間間隔）を提供すると、LLMがデータソース、モデルアーキテクチャ、および検証指標（RMSE、MAE、$R^2$）を提案する。また、LLMは「温度（temperature）」設定を活用することで、自身の出力の非決定性に対処し、多様な劣化仮説を探索する。

主な貢献

• スタンドアロンLLMの実現可能性： 本論文は、最先端のLLMが、複雑なカスタム構築のマルチエージェントシステムを必要とせずに、PSCの劣化予測におけるサブ問題を独立して特定できることを示している（例：可逆モデルと不可逆モデルの選択）。
• オントロジー駆動型のクエリ： 著者らは、主題ドメインのオントロジー（HysteresisEffectやRecoveryPhaseといった概念を含む）を明示的に定義することで、特定のデータセットが直接利用できない場合でも、LLMが関連する物理モデルや文献を検索できることを示している。
• 合成データ生成： 気象アーカイブと物理的劣化方程式から導出された、LLM生成の合成時系列を、予測モデルの訓練およびテストのための、不足している実験データの実行可能な代替物として用いることの妥当性を検証している。
• 非単調性の処理： 本アプローチは、標準的な単調劣化モデルでは見落とされがちであるが、正確な屋外寿命予測には不可欠な、可逆的な劣化メカニズム（自己回復）を正常に組み込んでいる。

結果
本論文は、ベルリンにおける2023年9月〜11月の期間の、特定のPSCアーキテクチャ（ITO | 2PACz | Cs₀.₁₅FA₀.₈₅PbI₂.₅₅Br₀.₄₅ | C₆₀ | SnO₂ | Cu）のPCEを予測するケーススタディを提示している。

• LLMは、複数のソース（DWD、PVGIS、およびZenodoのPerovskite Ageingデータセット）からデータを特定し、統合して、必要な入力特徴量を構築することに成功した。
• ハイブリッドモデル（XGBoost + オルンシュタイン＝ウーレンベック過程）を用いて、季節変動や回復期間を含む観測された劣化傾向と一致する時系列を生成した。
• モデルは、合成訓練データを用いているにもかかわらず、短期的（1ヶ月）および長期的（1年）の両方の間隔において、劣化の方向を正しく捉え、T80の予測において許容可能な精度を示した。
• LLMは、モデル選択の根拠を提示し、特定の劣化メカニズム（例：イオン移動）を取り巻く不確実性を強調し、議論されているトピックや参考文献のリストを提供した。

意義と主張
著者らは、現在のLLMツールは、不完全な物理モデルがある場合でも、訓練サンプルや文献への十分なアクセス能力を有しており、PSC設計者に予測手法を提案し、その根拠を示すことができると結論付けている。ChatGPTは以下のことが可能であると本論文は主張している。

1. 文献に見られる様々なPSCモデルを提案すること。
2. 環境データと物理モデルを合成することにより、劣化傾向を予測するための適切なソリューションを提供すること。
3. 物理的に妥当な合成データセットを生成することにより、PSC研究における「スモールデータ」問題を克服するための堅牢なツールとして機能すること。

その意義は、これらのツールが、初期のユーザーの問いには明示的または暗黙的に存在しないサブ問題を特定し、解決策を提示することで、PSCの設計プロセスを支援し、広範でコストのかかる長期フィールド試験を即座に行うことなく、PSCの安定性評価を加速できる点にある。本論文は、LLMはプロセスを導き、正確な傾向予測を提供できる一方で、回答の非決定性や、特定の劣化メカニズムに関する科学コミュニティでの継続的な議論については、ユーザーによる慎重な解釈と検証が必要であることを認め、控えめなトーンを維持している。