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

Technische Samenvatting: LLM-tools bij de voorspelling van de stabiliteit van perovskiet-zonnecellen

Probleemstelling
De ontwikkeling van perovskiet-zonnecellen (PSC's) wordt gehinderd door stabiliteitsproblemen, specifelijk de degradatie van de vermogensconversie-efficiëntie (PCE) in de loop van de tijd. Het voorspellen van de levensduur (LT), vaak gedefinieerd als T80 (de tijd tot 80% van de initiële efficiëntie), is cruciaal maar uitdagend. Traditionele statistische Machine Learning (ML)-benaderingen worstelen met een gebrek aan representatieve langetermijnveldgegevens (PSC's vereisen >25 jaar, maar de onderzoeksgeschiedenis is kort) en de moeilijkheid om complexe buitenomgevingsfactoren (weer, spectrum, belasting) te repliceren in versnelde laboratoriumtesten. Bovendien missen bestaande multi-agent LLM-systemen voor PSC-ontwerp vaak integratie met op fysica gebaseerde degradatiemodellen en vereisen ze aanzienlijke programmeerkennis. Dit artikel onderzoekt of standaard Large Language Models (LLM's), zoals ChatGPT en DeepSeek, onafhankelijk kunnen assisteren bij het voorspellen van PSC-degradatietrends en levensduur onder omstandigheden van incomplete informatie en dataschaarste.

Methodologie
De auteurs stellen een raamwerk voor waarbij de LLM fungeert als een dialoogpartner voor een PSC-onderzoeker, waarbij de constructie van voorspellingsmodellen wordt begeleid zonder dat er aangepaste multi-agent submodellen nodig zijn. De methodologie steunt op de volgende componenten:

1. Ontologieconstructie: De studie definieert een domein-specifieke ontologie voor PSC-levensduurvoorspelling. Dit omvat entiteiten zoals DegradatieFase, Herstelfase, ReversibelMechanisme (bijv. ionenmigratie) en IrreversibelMechanisme. De LLM wordt bevraagd om deze ontologie te genereren, waarbij wordt gewaarborgd dat zowel monotone degradatie als niet-monotone gedragingen (zelfherstel) worden vastgelegd.
2. Datasynthese en Integratie: In het besef van de schaarste aan publieke, hoog-resolutie veldgegevens voor specifieke architecturen, maken de auteurs gebruik van de LLM om "synthetische" tijdreeksen te genereren. De LLM identificeert relevante meteorologische databases (bijv. DWD, ERA5, PVGIS) voor specifieke locaties (bijv. Berlijn) en combineert deze met wiskundige degradatiemodellen (Arrhenius, Eyring, Ornstein-Uhlenck proces-stochastiek) om dagelijkse PCE-trajecten te simuleren.
3. Modelselectie en Validatie: De LLM krijgt de taak om geschikte ML-algoritmen te selecteren (bijv. XGBoost, Random Forest, hybride XGB+OU-modellen) en strategieën voor feature engineering te definiëren. Het incorporeert omgevingsparameters (instraling, temperatuur, luchtvochtigheid, UV) en architecturale details (laagsamenstelling) als inputs.
4. Dialooggestuurde Workflow: Het proces wordt uitgevoerd via een chatinterface waarbij de "gebruiker" (onderzoeker) beperkingen verstrekt (architectuur, locatie, tijdsinterval), en de LLM databronnen, modelarchitecturen en validatiemetrieken (RMSE, MAE, $R^2$) suggereert. De LLM adresseert ook de niet-deterministische aard van zijn eigen outputs door gebruik te maken van "temperatuur"-instellingen om diverse degradatiehypothesen te verkennen.

Belangrijkste Bijdragen

• Haalbaarheid van Standalone LLM's: Het artikel toont aan dat state-of-the-art LLM's onafhankelijk subproblemen in PSC-degradatievoorspelling kunnen identificeren (bijv. de keuze tussen reversibele en irreversibele modellen) zonder de noodzaak van complexe, op maat gemaakte multi-agent systemen.
• Ontologie-gestuurde Querying: De auteurs tonen aan dat het expliciet definiëren van de subject-domein ontologie (inclusclusief concepten zoals HysteresisEffect en Herstelfase) de LLM in staat stelt om relevante fysieke modellen en literatuur op te halen, zelfs wanneer specifieke datasets niet direct beschikbaar zijn.
• Synthetische Datageneratie: De studie valideert het gebruik van door de LLM gegenereerde synthetische tijdreeksen, afgeleid van meteorologische archieven en fysieke degradatievergelijkingen, als een levensvatbaar substituut voor schaarse experimentele data bij het trainen en testen van voorspellingsmodellen.
• Afhandeling van Niet-Monotoniciteit: De benadering integreert succesvol reversibele degradatiemechanismen (zelfherstel), die vaak over het hoofd worden gezien in standaard monotone degradatiemodellen, maar die cruciaal zijn voor nauwkeurige voorspellingen van de levensduur in de buitenlucht.

Resultaten
Het artikel presenteert een casestudy die de PCE voorspelt van een specifieke PSC-architectuur (ITO | 2PACz | Cs₀.₁₅FA₀.₈₅PbI₂.₅₅Br₀.₄₅ | C₆₀ | SnO₂ | Cu) in Berlijn voor de periode september–november 2023.

• De LLM slaagde erin gegevens uit meerdere bronnen (DWD, PVGIS en een Zenodo Perovskite Ageing-dataset) te lokaliseren en te integreren om de noodzakelijke inputfeatures te construeren.
• Met behulp van een hybride model (XGBoost + Ornstein-Uhlenck proces) genereerde het systeem tijdreeksen die overeenkwamen met geobserveerde degradatietrends, inclusclusief seizoensgebonden fluctuaties en herstelperioden.
• Het model demonstreerde een aanvaardbare nauwkeurigheid bij het voorspellen van T80 over zowel korte (1 maand) als lange (1 jaar) intervallen, waarbij de richting van de degradatietrends correct werd gevangen ondanks het gebruik van synthetische trainingsdata.
• De LLM leverde rechtvaardigingen voor modelkeuzes en belichtte de onzekerheid rond specifieke degradatiemechanismen (bijv. ionenmigratie), waarbij een lijst van gedebatteerde onderwerpen en referenties werd aangeboden.

Betekenis en Claims
De auteurs concluderen dat huidige LLM-tools voldoende toegang hebben tot trainingsmonsters en literatuur om voorspellingsmethoden voor en te suggereren en te rechtvaardigen voor PSC-ontwerpers, zelfs met incomplete fysieke modellen. Het artikel beweert dat ChatGPT kan:

1. Verschillende in de literatuur gevonden PSC-modellen suggereren.
2. Adequaat oplossingen bieden voor het voorspellen van degradatietrends door het synthetiseren van omgevingsgegevens en fysieke modellen.
3. Fungeren als een robuust instrument om het "small data"-probleem in PSC-onderzoek te overwinnen door fysiek plausibele synthetische datasets te genereren.

De betekenis ligt in het vermogen van deze tools om het PSC-ontwerpproces te ondersteunen door subproblemen te identificeren en oplossingen aan te bieden die expliciet of impliciet ontbreken uit de initiële gebruikersvragen, waardoor de evaluatie van PSC-stabiliteit wordt versneld zonder de directe noodzaak van uitgebreide, kostbare langdurige veldtesten. Het artikel hanteert een bescheiden toon en erkent dat hoewel LLM's het proces kunnen begeleiden en nauwkeurige trendvoorspellingen kunnen leveren, de niet-deterministische aard van antwoorden en de voortdurende debatten in de wetenschappelijke gemeenschap over specifieke degradatiemechanismen zorgvuldige interpretatie en validatie door de gebruiker vereisen.