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

기술 요약: 페로브스카이트 태양전지의 안정성 예측을 위한 LLM 도구

문제 정의
페로브스카이트 태양전지(PSC)의 개발은 안정성 문제, 특히 시간이 경과함에 따라 발생하는 전력 변환 효율(PCE)의 저하로 인해 난항을 겪고 있다. 수명(LT, 흔히 초기 효율의 80%에 도달하는 시간인 T80으로 정의됨)을 예측하는 것은 매우 중요하지만 까다로운 과제이다. 전통적인 통계적 머신러닝(ML) 방식은 대표성 있는 장기 현장 데이터의 부족(PSC는 25년 이상의 시간이 필요하지만 연구 역사는 짧음)과 가속화된 실험실 테스트에서 복잡한 실외 환경 요인(날씨, 스펙트럼, 부하)을 재현하기 어렵다는 점 때문에 어려움을 겪는다. 또한, PSC 설계를 위한 기존의 멀티 에이전트 LLM 시스템은 물리 기반 열화 모델과의 통합이 부족하고 상당한 프로그래밍 전문 지식을 요구한다. 본 논문은 ChatGPT나 DeepSeek과 같은 표준 대규모 언어 모델(LLM)이 불완전한 정보와 데이터 결핍 조건 하에서 PSC 열화 경향 및 수명을 독립적으로 예측하는 데 도움을 줄 수 있는지 조사한다.

방법론
저자들은 LLM이 커스텀 멀티 에이전트 서브모델을 요구하지 않고, PSC 연구자의 대화 파트너로서 예측 모델 구축을 안내하는 프레임워크를 제안한다. 이 방법론은 다음 구성 요소에 의존한다:

1. 온톨로지 구축: 연구는 PSC 수명 예측을 위한 주제 도메인 온톨로지를 정의한다. 여기에는 DegradationPhase(열화 단계), RecoveryPhase(회복 단계), ReversibleMechanism(가역적 메커니즘, 예: 이온 이동) 및 IrreversibleMechanism(비가역적 메커니즘)과 같은 엔티티가 포함된다. LLM은 이 온톨로지를 생성하도록 질의되며, 이를 통해 단조로운 열화뿐만 아니라 비단조적 거동(자기 회복)을 모두 포착하도록 한다.
2. 데이터 합성 및 통합: 특정 아키텍처에 대한 공개된 고해 resolution 현장 데이터의 희소성을 인식하여, 저자들은 LLM을 활용해 "합성" 시계열 데이터를 생성한다. LLM은 특정 지역(예: 베를린)에 대한 관련 기상 데이터베이스(예: DWD, ERA5, PVGIS)를 식별하고, 이를 수학적 열화 모델(Arrhenius, Eyring, Ornstein-Uhlenbeck 확률 과정)과 결합하여 일일 PCE 궤적을 시뮬레이션한다.
3. 모델 선택 및 검증: LLM은 적절한 ML 알고리즘(예: XGBoost, Random Forest, Hybrid XGB+OU 모델)을 선택하고 특성 공학(feature engineering) 전략을 정의하는 과업을 수행한다. 이는 환경 파라미터(일사량, 온도, 습도, UV)와 아키텍처 세부 사항(층 조성)을 입력값으로 포함한다.
4. 대화 주도 워크플로우: 프로세스는 사용자(연구자)가 제약 조건(아키텍처, 위치, 시간 간격)을 제공하면 LLM이 데이터 소스, 모델 아키텍처 및 검증 지표(RMSE, MAE, $R^2$)를 제안하는 채팅 인터페이스를 통해 진행된다. LLM은 다양한 열화 가설을 탐색하기 위해 "temperature" 설정을 활용함으로써 자신의 출력에 대한 비결정론적 특성을 다룬다.

주요 기여

• 독립형 LLM의 타당성: 본 논문은 최첨단 LLM이 복잡한 커스텀 멀티 에이전트 시스템 없이도 PSC 열화 예측의 하위 문제를 독립적으로 식별(예: 가역 모델과 비가역 모델 간의 선택)할 수 있음을 입증한다.
• 온톨로지 기반 쿼리: 저자들은 주제 도메인 온톨로지(HysteresisEffect 및 RecoveryPhase와 같은 개념 포함)를 명시적으로 정의함으로써, 특정 데이터셋을 직접 사용할 수 없는 경우에도 LLM이 관련 물리 모델과 문헌을 검색할 수 있음을 보여준다.
• 합성 데이터 생성: 기상 기록과 물리적 열화 방정식을 유도한 LLM 생성 합성 시계열을 예측 모델의 훈련 및 테스트를 위한 실행 가능한 대체재로 사용하는 것을 검증한다.
• 비단조성 처리: 이 접근 방식은 표준적인 단조 열화 모델에서는 종종 간과되지만 정확한 실외 수명 예측에 필수적인 가역적 열화 메커니즘(자기 회복)을 성공적으로 통합한다.

결과
본 논문은 베를린에서의 2023년 9월~11월 기간 동안 특정 PSC 아키텍처(ITO | 2PACz | Cs₀.₁₅FA₀.₈₅PbI₂.₅₅Br₀.₄₅ | C₆₀ | SnO₂ | Cu)의 PCE를 예측하는 사례 연구를 제시한다.

• LLM은 필요한 입력 특성을 구축하기 위해 여러 소스(DWD, PVGIS 및 Zenodo Perovskite Ageing 데이터셋)에서 데이터를 성공적으로 찾아내고 통합했다.
• 하이브리드 모델(XGBoost + Ornstein-Uhlenbeck 과정)을 사용하여, 시스템은 계절적 변동과 회복 기간을 포함한 관찰된 열화 경향과 일치하는 시계열을 생성했다.
• 모델은 합성 훈련 데이터를 사용했음에도 불구하고 열화 방향을 정확히 포착하며 단기(1개월) 및 장기(1년) 간격 모두에서 T80을 예측하는 데 있어 수용 가능한 정확도를 보였다.
• LLM은 모델 선택에 대한 근거를 제공하고 특정 열화 메커니즘(예: 이온 이동)에 대한 불확실성을 강조하며, 논쟁 중인 주제 및 참고 문헌 목록을 제시했다.

의의 및 주장
저자들은 현재의 LLM 도구가 불완전한 물리 모델이 있더라도 훈련 샘플과 문헌에 대한 충분한 접근 권한을 가지고 있어 PSC 설계자에게 예측 방법을 제안하고 정당화할 수 있다고 결론짓는다. 본 논문은 ChatGPT가 다음을 수행할 수 있다고 주장한다:

1. 문헌에서 발견되는 다양한 PSC 모델을 제안할 수 있다.
2. 환경 데이터와 물리 모델을 합성하여 열화 경향을 예측하기 위한 적절한 솔루션을 제공할 수 있다.
3. 물리적으로 타당한 합성 데이터셋을 생성함으로써 PSC 연구의 "작은 데이터(small data)" 문제를 극복하기 위한 강력한 도구 역할을 할 수 있다.

이 연구의 의의는 이러한 도구들이 하위 문제를 식별하고, 초기 사용자 질의에는 명시적 또는 암묵적으로 결여되어 있는 솔루션을 제공함으로써, 광범-적이고 비용이 많이 드는 장기 현장 테스트 없이도 PSC 설계 프로세스를 지원할 수 있다는 데 있다. 본 논문은 LLM이 프로세스를 안내하고 정확한 경향 예측을 제공할 수는 있지만, 답변의 비결정론적 특성과 특정 열화 메커니즘에 관한 과학계의 지속적인 논쟁으로 인해 사용자의 신중한 해석과 검증이 필요함을 인정하며 겸허한 어조를 유지한다.