Technische Samenvatting: Van Literatuur naar Laboratorium: Closed-Loop Vooruitgang van Perovskiet Zonnecellen via Domeinkennis-gestuurde LLM

1. Probleemstelling

Perovskiet zonnecellen (PSC's) vertegenwoordigen een disruptieve volgende generatie fotovoltaïsche technologie met efficiënties die de 27% overstijgen. De vooruitgang ervan wordt echter belemmerd door een enorme, hoog-dimensionale ontwerpplek die precursor-composities, oplosmiddeltechniek en verwerkingsparameters omvat. Traditionele door onderzoekers gestuurde trial-and-error benaderingen zijn arbeidsintensief en inefficiënt, en falen vaak in het identificeren van globale optima binnen dit complexe combinatorische landschap.

Hoewel Large Language Models (LLM's) potentieel bieden voor het benutten van tekstuele wetenschappelijke kennis, kampen bestaande modellen (bijv. GPT-serie, ChemCrow, Coscientist) met kritieke beperkingen in het gespecialiseerde domein van PSC's:

1. Semantische Misalignement: Ze hebben moeite met het afstemmen van algemene semantische redenering op precieze, kwantitatieve perovskiet-domeinkennis, wat vaak wetenschappelijk ongeldige recepten genereert.
2. Inefficiëntie in Hoog-dimensionale Ruimtes: Ze missen het vermogen om kwantitatieve extrapolatie uit te voeren in multi-parametrische ontwerpplekken, waardoor ze ineffectief zijn voor het orkestreren van de closed-loop optimalisatie die vereist is voor doorbraken in apparaten.

2. Methodologie: Het PVK-LLM Framework

De auteurs stellen PVK-LLM voor, een domeinkennis-gestuurd framework dat ontworpen is om de kloof tussen ongestructureerde wetenschappelijke literatuur en precieze materiaalrecepten te overbruggen. De methodologie bestaat uit twee primaire componenten: een gespecialiseerde LLM getraind via curriculum learning en een hiërarchische Bayesiaanse Optimalisatie workflow (PVK-BO).

A. PVK-LLM: Driefasig Curriculum Learning

Gebouwd op de Qwen2.5-32B backbone, ondergaat het model een driefasige trainingsstrategie om een algemene LLM te transformeren tot een domeinexpert:

1. Fase I: Kennisinjectie (PVK-Sci): Het model wordt gefinetuned op een dataset van 55.104 vraag-antwoord paren die zeven onderzoeksthema's beslaan (bijv. Device Structure, Interface Engineering, Defects). Deze fase internaliseert kern-domeinterminologie en semantische patronen.
2. Fase II: Instructie-Alignment:
   • PVK-Cite: Finetuning op 22.916 QA-paren om responsen te funderen in specifieke literatuurcitaties, wat feitelijke nauwkeurigheid waarborgt.
   • PVK-Exp: Finetuning op 10.648 QA-paren afgeleid van experimentele tabellen om de interpretatie van kwantitatieve prestatie-metrieken en efficiëntiemechanismen mogelijk te maken.
3. Fase III: Knowledge Retrieval-Augmented Generation (RAG): Het model wordt gekoppeld aan een Perovskite Knowledge Graph (PVK-KG) die 23.789 entiteiten en 22.272 triples bevat. Deze graaf wordt dynamisch bijgewerkt via een geautomatiseerde pipeline, waardoor het model toegang heeft tot de nieuwste wetenschappelijke ontdekkingen zonder frequente hertraining.

B. PVK-BO: Hiërarchische Bayesiaanse Optimalisatie

Om de hoog-dimensionale ontwerpplek te navigeren, gebruikt het framework PVK-BO, een optimalisatie-engine die de generatieve capaciteiten van de LLM integreert met Bayesiaanse Optimalisatie. De workflow werkt in een closed loop:

1. Warmstarting: PVK-LLM genereert hoogwaardige initiële kandidaten op basis van domeinkennis, wat het "cold-start" probleem aanpakt.
2. Receptontwerp & Kandidaat-sampling: De LLM fungeert als een generatieve proposal distributie, waarbij nieuwe recepten worden voorgesteld onder condities van historische feedback en doelprestaties.
3. Surrogaatmodellering: De LLM fungeert als een probabilistische surrogaat om de prestaties van kandidaten te voorspellen vóór fysieke verificatie.
4. Acquisitiefunctie: In plaats van rigide statistische functies, fungeert PVK-LLM zelf als een intelligente acquisitiefunctie, waarbij potentiële prestatiewinsten worden afgewogen tegen de exploratiewaarde om het volgende optimale recept te selecteren.
5. Verificatie: Recepten worden gevalideerd via physics-gebaseerde simulatoren (SCAPS-1D) of wet-lab experimenten, waarbij de resultaten worden teruggekoppeld om de strategie te verfijnen.

3. Belangrijkste Resultaten

A. Benchmark Prestaties

• Domeinkennis: Op de PVK-MCQ benchmark (1.103 meerkeuzevragen) bereikte PVK-LLM een state-of-the-art nauwkeurigheid van 87,25%, waarmee het algemene LLM's zoals Qwen2.5-72B en GPT-4o overtrof.
• Kwalitatieve Beoordeling: In open-ended generatieve taken (PVK-QA) scoorde PVK-LLM het hoogst op het gebied van nauwkeurigheid, volledigheid, relevantie en helderheid.
• Menselijke Evaluatie: In tweezijdige vergelijkingen met vijf domeinexperts behaalde PVK-LLM dominante winstpercentages: 69,5% tegenover Qwen2.5-32B, 65,5% tegenover GPT-4 en 68,0% tegenover Deepseek-R1.
• Semantische Structuur: t-SNE visualisatie bevestigde dat de embedding space van PVK-LLM onderscheidende, semantisch betekenisvolle clusters vormt voor perovskietmaterialen, in tegenstelling tot de willekeurige distributie van het basismodel.

B. Simulator Experimenten

Met behulp van SCAPS-1D werd het framework getest op Band Alignment en Doping Optimization taken:

• Initialisatie-efficiëntie: PVK-BO bereikte een hogere initiële gemiddelde Power Conversion Efficiency (PCE) dan random search, Sobol-sequenties en Latin Hypercube sampling, waardoor de initiële exploratiefase effectief werd omzeild.
• Convergentie: In Band Alignment bereikte PVK-BO een maximale PCE van 26,52%. In Doping Optimization bereikte het 25,44%, waarmee het standaard Bayesiaanse Optimalisatie (BO), HEBO en TuRBO baselines overtrof met een lagere variantie en snellere convergentie.

C. Wet-Lab Experiment

In een autonoom closed-loop wet-lab experiment gericht op p-i-n PSC's:

• Ontdekking: PVK-LLM identificeerde interface passivatie als de bottleneck en ontwierp autonoom een nieuw, niet eerder gerapporteerd viercomponenten synergetisch passivatiesysteem: 3MTPAI, PDAI2, EDAI2, en PipDI.
• Optimalisatie: Door drie iteratieve epochs verfijnde het model de mengverhoudingen.
  • Epoch 0 (Baseline): 23,68% PCE.
  • Epoch 1: 25,07% PCE.
  • Epoch 2: 25,23% PCE.
  • Epoch 3 (Champion): 26,00% PCE ($V_{OC}=1,155$ V, $J_{SC}=26,35$ mA/cm², $FF=85,44\%$).
• Dit resultaat nadert wereldrecords die doorgaans worden bereikt door uitgebreide trial-and-error door experts.

4. Betekenis en Claims

Het artikel claimt dat PVK-LLM succesvol demonstreert dat domeinkennis-gestuurde AI kan:

1. Wetenschappelijke Expertise Internaliseren: Door de semantische kloof tussen natuurlijke taal en kwantitatieve materiaalkunde te overbruggen, kan het model complexe fabricageparameters en experimentele verslagen begrijpen.
2. Materiaalontdekking Versnellen: Het framework navigeert effectief door hoog-dimensionale ontwerplekken, overwint cold-start problemen en verkort de iteratiecyclus van theoretisch ontwerp naar laboratoriumvalidatie.
3. Autonome Optimalisatie Mogelijk Maken: De integratie van LLM's met Bayesiaanse Optimalisatie maakt de autonome voorstel van nieuwe, hoog-presterende recepten mogelijk (zoals het 26,0% PCE device) zonder menselijke begeleiding in de beslissingslus.

De auteurs merken op dat hoewel de huidige fysieke uitvoering afhankelijk is van een "human-in-the-loop" voor wet-lab uitvoering, het framework ontworpen is voor extensibiliteit. Door standaard API-interfaces voor laboratoriumautomatisering te integreren, beoogt het systeem te evolueren naar een fundamentele agent voor self-driving laboratoria, toepasbaar op andere materiaalkundige uitdagingen zoals de optimalisatie van batterij-elektrolyten of organische fotovoltaïsche screening.

Beperkingen Erkend:

• De voorspellende nauwkeurigheid van het model wordt begrensd door de kwaliteit, ruis en rapportage-inconsistenties van de bestaande open-source academische literatuur.
• De huidige wet-lab doorvoer is beperkt door handmatige interventie, hoewel de beslissingslus volledig gesloten is.