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

Resumo Técnico: Ferramentas de LLM na Predição da Estabilidade de Células Solares de Perovskita

Definição do Problema
O desenvolvimento de Células Solais de Perovskita (PSCs) é dificultado por problemas de estabilidade, especificamente a degradação da Eficiência de Conversão de Energia (PCE) ao longo do tempo. A predição da vida útil (LT), frequentemente definida como T80 (tempo para atingir 80% da eficiência inicial), é crítica, mas desafiadora. As abordagens tradicionais de Aprendizado de Máquina (ML) estatístico lutam devido à falta de dados de campo representativos de longo prazo (as PSCs requerem >25 anos, mas o histórico de pesquisa é curto) e à dificuldade de replicar fatores ambientais externos complexos (clima, espectro, carga) em testes laboratoriais acelerados. Além disso, os sistemas de LLM multiagentes existentes para o design de PSCs muitas vezes carecem de integração com modelos de degradação baseados em física e exigem conhecimentos significativos de programação. Este artigo investiga se Modelos de Linguagem de Grande Escala (LLMs) padrão, como o ChatGPT e o DeepSeek, podem auxiliar independentemente na predição de tendências de degradação e vidas úteis de PSC sob condições de informação incompleta e escassez de dados.

Metodologia
Os autores propõem um framework onde o LLM atua como um parceiro de diálogo para um pesquisador de PSC, guiando a construção de modelos de predição sem a necessidade de submodelos multiagentes customizados. A metodologia baseia-se nos seguintes componentes:

1. Construção de Ontologia: O estudo define uma ontologia de domínio de assunto para a predição de vida útil de PSC. Isso inclui entidades como FaseDeDegradação, FaseDeRecuperação, MecanismoReversível (ex: migração de íons) e MecanismoIrreversível. O LLM é consultado para gerar esta ontologia, garantindo que ela capture tanto a degradação monotônica quanto os comportamentos não monotônicos (autorrecuperação).
2. Síntese e Integração de Dados: Reconhecendo a escassez de dados de campo públicos de alta resolução para arquiteturas específicas, os autores utilizam o LLM para gerar séries temporais "sintéticas". O LLM identifica bancos de dados meteorológicos relevantes (ex: DWD, ERA5, PVGIS) para localizações específicas (ex: Berlim) e os combina com modelos matemáticos de degradação (Arrhenius, Eyring, processos estocásticos de Ornstein-Uhlenbeck) para simular trajetórias diárias de PCE.
3. Seleção e Validação de Modelos: O LLM é incumbido de selecionar algoritmos de ML apropriados (ex: XGBoost, Random Forest, modelos híbridos XGB+OU) e definir estratégias de engenharia de atributos (feature engineering). Ele incorpora parâmetros ambientais (irradiação, temperatura, umidade, UV) e detalhes arquiteturais (composição de camadas) como entradas.
4. Fluxo de Trabalho Baseado em Diálogo: O processo é conduzido via uma interface de chat onde o "usuário" (pesquisador) fornece restrições (arquitetura, localização, intervalo de tempo), e o LLM sugere fontes de dados, arquiteturas de modelos e métricas de validação (RMSE, MAE, $R^2$). O LLM também aborda o não-determinismo de seus próprios outputs ao utilizar configurações de "temperatura" para explorar diversas hipóteses de degradação.

Principais Contribuições

• Viabilidade de LLMs Independentes: O artigo demonstra que LLMs de última geração podem identificar independentemente subproblemas na predição de degradação de PSC (ex: seleção entre modelos reversíveis e irreversíveis) sem a necessidade de sistemas multiagentes complexos e customizados.
• Consulta Baseada em Ontologia: Os autores mostram que a definição explícita da ontologia do domínio do assunto (incluindo conceitos como EfeitoDeHisterese e FaseDeRecuperação) permite que o LLM recupere modelos físicos e literatura relevantes, mesmo quando conjuntos de dados específicos não estão diretamente disponíveis.
• Geração de Dados Sintéticos: O estudo valida o uso de séries temporais sintéticas geradas por LLM, derivadas de arquivos meteorológicos e equações físicas de degradação, como um substituto viável para dados experimentais escassos no treinamento e teste de modelos de predição.
• Tratamento da Não-Monotonicidade: A abordagem incorpora com sucesso mecanismos de degradação reversíveis (autorrecuperação), que são frequentemente negligenciados em modelos de degradação monotônicos padrão, mas que são críticos para uma predição precisa de vida útil ao ar livre.

Resultos
O artigo apresenta um estudo de caso prevendo a PCE de uma arquitetura específica de PSC (ITO | 2PACz | Cs₀.₁₁FA₀.₈₅PbI₂.₅₅Br₀.₄₅ | C₆₀ | SnO₂ | Cu) em Berlim para o período de setembro a novembro de 2023.

• O LLM localizou e integrou com sucesso dados de múltiplas fontes (DWD, PVGIS e um conjunto de dados de envelhecimento de Perovskita do Zenodo) para construir os atributos de entrada necessários.
• Utilizando um modelo híbrido (XGBoost + processo de Ornstein-Uhlenbeck), o sistema gerou séries temporais que se alinharam com as tendências de degradação observadas, incluindo flutuações sazonais e períodos de recuperação.
• O modelo demonstrou uma precisão aceitável na predição de T80 tanto em intervalos curtos (1 mês) quanto longos (1 ano), capturando corretamente a direção das tendências de degradação, apesar do uso de dados de treinamento sintéticos.
• O LLM forneceu justificativas para as escolhas de modelos e destacou a incerteza em torno de mecanismos de degradação específicos (ex: migração de íons), oferecendo uma lista de tópicos debatidos e referências.

Significância e Alegações
Os autores concluem que as ferramentas de LLM atuais possuem acesso suficiente a amostras de treinamento e literatura para sugerir e justificar métodos de predição para designers de PSC, mesmo com modelos físicos incompletos. O artigo afirma que o ChatGPT pode:

1. Sugerir vários modelos de PSC encontrados na literatura.
2. Fornecer soluções adequadas para prever tendências de degradação através da síntese de dados ambientais e modelos físicos.
3. Atuar como uma ferramenta robusta para superar o problema de "dados pequenos" na pesquisa de PSC, gerando conjuntos de dados sintéticos fisicamente plausíveis.

A significância reside na capacidade dessas ferramentas de apoiar o processo de design de PSC ao identificar subproblemas e oferecer soluções que estão explícita ou implicitamente ausentes das consultas iniciais do usuário, acelerando assim a avaliação da estabilidade de PSC sem a necessidade imediata de testes de campo extensos e dispendiosos de longo prazo. O artigo mantém um tom modesto, reconhecendo que, embora os LLMs possam guiar o processo e fornecer predições de tendência precisas, o não-determinismo das respostas e os debates contínuos na comunidade científica sobre mecanismos de degradação específicos exigem interpretação e validação cuidadosa do usuário.