기술 요약: 문헌에서 실험실까지: 도메인 지식 가이드형 LLM을 통한 페로브스카이트 태양전지의 폐쇄 루프 발전

1. 문제 정의

페로브스카이트 태양전지(PSC)는 27%를 초연하는 효율을 가진 파괴적인 차세대 태양광 기술을 나타낸다. 그러나 이들의 발전은 전구체 조성, 용매 공학, 공정 매개변수를 아우르는 방대하고 고차원적인 설계 공간으로 인해 저해되고 있다. 전통적인 연구자 주도의 시행착오 방식은 노동 집약적이고 비효율적이며, 종종 이 복잡한 조합론적 경관 내에서 전역 최적점(global optima)을 찾는 데 실패한다.

대규모 언어 모델(LLM)이 텍스트 기반의 과학적 지식을 활용할 수 있는 잠재력을 제공함에도 불구하고, 기존 모델들(예: GPT 시리즈, ChemCrow, Coscientist)은 페로브스카이트 태양전지(PSC)라는 특화된 영역에서 결정적인 한계에 직면해 있다:

1. 의미론적 불일치(Semantic Misalignment): 일반적인 의미론적 추론과 정밀하고 정량적인 페로브스카이트 도메인 지식을 정렬하는 데 어려움을 겪으며, 종종 과학적으로 유효하지 않은 레시피를 생성한다.
2. 고차원 공간에서의 비효율성: 다중 매개변수 설계 공간에서 정량적 외삽(extrapolation)을 수행하는 능력이 부족하여, 소자 혁신을 위해 필요한 폐쇄 루프 최적화를 조율하는 데 효과적이지 못하다.

2. 방법론: PVK-LLM 프레임워크

저자들은 문헌의 비정형 과학 지식과 정밀한 재료 레시피 사이의 간극을 메우기 위해 설계된 도메인 지식 가이드형 프레임워크인 PVK-LLM을 제안한다. 이 방법론은 두 가지 주요 구성 요소, 즉 커리큘럼 학습을 통해 훈련된 특화된 LLM과 계층적 베이지안 최적화 워크플로우(PVK-BO)로 구성된다.

A. PVK-LLM: 3단계 커리큘럼 학습

Qwen2.5-32B 백본을 기반으로 구축된 이 모델은 일반 LLM을 도메인 전문가로 변모시키기 위해 3단계 훈련 전략을 거친다:

1. 1단계: 지식 주입 (PVK-Sci): 7가지 연구 테마(예: 소자 구조, 계면 공학, 결함)를 다루는 55,104개의 질의응답 쌍으로 모델을 미세 조정한다. 이 단계에서는 핵심 도메인 어휘와 의미론적 패턴을 내재화한다.
2. 2단계: 지시문 정렬 (Instruction Alignment):
   • PVK-Cite: 특정 문헌 인용에 응답을 근거하도록 22,916개의 질의응답 쌍으로 미세 조정하여 사실적 정확성을 보장한다.
   • PVK-Exp: 실험 테이블에서 파생된 10,648개의 질의응답 쌍으로 미세 조정하여 정량적 성능 지표 및 효율 메커니즘의 해석을 가능하게 한다.
3. 3단계: 지식 검색 증강 생성 (RAG): 모델은 23,789개의 엔티티와 22,272개의 트리플을 포함하는 **페로브스카이트 지식 그래프(PVK-KG)**에 연결된다. 이 그래프는 자동화된 파이프라인을 통해 동적으로 업데이트되어, 빈번한 재학습 없이도 최신 과학적 발견에 접근할 수 있게 한다.

B. PVK-BO: 계층적 베이지안 최적화

고차원 설계 공간을 탐색하기 위해, 이 프레임워크는 LLM의 생성 능력과 베이지안 최적화를 통합한 최적화 엔진인 PVK-BO를 사용한다. 워크플로우는 폐쇄 루프(closed loop)로 작동한다:

1. 웜스타팅(Warmstarting): PVK-LLM은 도메인 지식을 바탕으로 고품질의 초기 후보군을 생성하여 "콜드 스타트(cold-start)" 문제를 해결한다.
2. 레시피 설계 및 후보 샘플링: LLM은 생성적 제안 분포(generative proposal distribution)로서 작용하여, 과거의 피드백과 목표 성능을 조건으로 새로운 레시피를 제안한다.
3. 대리 모델링(Surrogate Modelling): LLM은 물리적 검증 전 후보군의 성능을 예측하는 확률적 대리 모델 역할을 수행한다.
4. 획득 함수(Acquisition Function): 경직된 통계 함수 대신, PVK-LLM 자체가 지능형 획득 함수로서 작용하여 다음 최적 레시피를 선택하기 위해 잠재적 성능 이득과 탐색 가치를 가중 평가한다.
5. 검증: 레시피는 물리 기반 시뮬레이터(SCAPS-1D) 또는 습식 실험(wet-lab experiments)을 통해 검증되며, 결과는 전략을 개선하기 위해 다시 피드백된다.

3. 주요 결과

A. 벤치마크 성능

• 도메인 지식: PVK-MCQ 벤치마크(1,103개의 객관식 질문)에서 PVK-LLM은 **87.25%**의 최첨단(SOTA) 정확도를 달성하였으며, 이는 Qwen2.5-72B 및 GPT-4o와 같은 일반 LLM을 능가하는 수치이다.
• 질적 평가: 개방형 생성 작업(PVK-QA)에서 PVK-LLM은 정확성, 완전성, 관련성 및 명확성 측면에서 가장 높은 점수를 기록했다.
• 인간 평가: 5명의 도메인 전문가와의 쌍체 비교에서 PVK-LLM은 압도적인 승률을 보였다: Qwen2.5-32B 대비 69.5%, GPT-4 대비 65.5%, Deepseek-R1 대비 68.0%.
• 의미론적 구조: t-SNE 시각화는 PVK-LLM의 임베딩 공간이 기본 모델의 무작위 분포와 달리, 페로브스카이트 재료에 대해 구별되고 의미 있는 클러스터를 형성함을 확인시켜 주었다.

B. 시뮬레이터 실험

SCAPS-1D를 사용하여 프레임워크를 밴드 정렬(Band Alignment) 및 도핑 최적화(Doping Optimization) 과제에 테스트하였다:

• 초기화 효율: PVK-BO는 무작위 탐색(random search), Sobol 시퀀스, Latin Hypercube 샘플링보다 더 높은 초기 평균 광전 변환 효율(PCE)을 달성하여 초기 탐색 단계를 효과적으로 우회했다.
• 수렴: 밴드 정렬에서 PVK-BO는 최대 PCE **26.52%**에 도달했다. 도핑 최적화에서는 표준 베이지안 최적화(BO), HEBO, TuRBO 베이스라인보다 낮은 분산과 빠른 수렴 속도로 **25.44%**의 PCE에 도달했다.

C. 습식 실험 (Wet-Lab Experiment)

p-i-n 구조의 PSC를 대상으로 한 자율 폐쇄 루프 습식 실험에서:

• 발견: PVK-LLM은 계면 패시베이션(interface passivation)이 병목 구간임을 식별하고, 보고된 적 없는 새로운 4성분 시너지 패시베이션 시스템인 3MTPAI, PDAI2, EDAI2, 그리고 PipDI를 자율적으로 설계했다.
• 최적화: 3회의 반복 에포크(epoch)를 통해 모델은 혼합 비율을 정교화했다.
  • 에포크 0 (베이스라인): 23.68% PCE.
  • 에포크 1: 25.07% PCE.
  • 에포크 2: 25.23% PCE.
  • 에포크 3 (챔피언): 26.00% PCE ($V_{OC}=1.155$ V, $J_{SC}=26.35$ mA/cm², $FF=85.44\%$).
• 이 결과는 광범위한 전문가의 시행착오를 통해 달성되는 세계 기록 수준에 근접한다.

4. 의의 및 주장

본 논문은 PVK-LLM이 다음과 같은 점을 성공적으로 입증했다고 주장한다:

1. 과학적 전문성 내재화: 자연어와 정량적 재료 과학 사이의 의미론적 간극을 메움으로써, 모델은 복잡한 제조 매개변수와 실험 기록을 이해할 수 있다.
2. 재료 발견 가속화: 프레임워크는 고차원 설계 공간을 효과적으로 탐색하여 콜드 스타트 문제를 극복하고, 이론적 설계에서 실험실 검증까지의 반복 주기를 단축한다.
3. 자율 최적화 구현: LLM과 베이지안 최적화의 통합은 의사결정 루프 내의 인간 가이드 없이도 새로운 고성능 레시피(예: 26.0% PCE 소자)를 자율적으로 제안할 수 있게 한다.

저자들은 현재 물리적 실행이 습식 실험 수행을 위한 "인간 참여형(human-in-the-loop)"에 의존하고 있지만, 프레임워크가 확장 가능하도록 설계되었음을 언급했다. 실험실 자동화를 위한 표준 API 인터페이스를 통합함으로써, 이 시스템은 배터리 전해질 최적화나 유기 태양전지 스크리닝과 같은 다른 재료 과학 과제에도 적용 가능한 자율 주행 실험실(self-driving laboratories)의 기초 에이전트로 진화하는 것을 목표로 한다.

인정된 한계점:

• 모델의 예측 정확도는 기존 오픈 소스 학술 문헌의 품질, 노이즈 및 보고 불일치에 의해 제한된다.
• 현재의 습식 실험 처리량은 수동 개입으로 인해 제한적이지만, 의사결정 루프는 완전히 폐쇄되어 있다.