Resumo Técnico: Da Literatura ao Laboratório: Avanço de Ciclo Fechado de Células Solares de Perovskita via LLM Guiado por Conhecimento de Domínio

1. Definição do Problema

As células solares de perovskita (PSCs) representam uma tecnologia fotovoltaica disruptiva de próxima geração, com eficiências que excedem 27%. No entanto, seu avanço é dificultado por um espaço de design vasto e de alta dimensionalidade, que abrange composições de precursores, engenharia de solventes e parâmetros de processamento. As abordagens tradicionais de tentativa e erro conduzidas por pesquisadores são laboriosas e ineficientes, frequentemente falhando em identificar ótimos globais dentro deste complexo cenário combinatório.

Embora os Modelos de Linguagem de Grande Escala (LLMs) ofereçam potencial para alavancar o conhecimento científico textual, os modelos existentes (ex: série GPT, ChemCrow, Coscientist) enfrentam limitações críticas no domínio especializado de PSCs:

1. Desalinhamento Semântico: Eles têm dificuldade em alinhar o raciocínio semântico geral com o conhecimento quantitativo preciso de perovskita, gerando frequentemente receitas cientificamente inválidas.
2. Ineficiência em Espaços de Alta Dimensionalidade: Carecem da capacidade de realizar extrapolação quantitativa em espaços de design multiparamétricos, tornando-se ineficazes para orquestrar a otimização de ciclo fechado necessária para avanços em dispositivos.

2. Metodologia: O Framework PVK-LLM

Os autores propõem o PVK-LLM, um framework guiado por conhecimento de domínio projetado para preencher a lacuna entre a literatura científica não estruturada e receitas precisas de materiais. A metodologia consiste em dois componentes primários: um LLM especializado treinado via aprendizagem por currículo e um fluxo de trabalho de Otimização Bayesiana hierárquica (PVK-BO).

A. PVK-LLM: Aprendizagem por Currículo de Três Estágios

Construído sobre o backbone Qwen2.5-32B, o modelo passa por uma estratégia de treinamento de três estágios para transformar um LLM geral em um especialista de domínio:

1. Estágio I: Injeção de Conhecimento (PVK-Sci): O modelo é ajustado (fine-tuning) em um conjunto de dados de 55.104 pares de perguntas-respostas cobrindo sete temas de pesquisa (ex: Estrutura de Dispositivo, Engenharia de Interface, Defeitos). Este estágio internaliza o vocabulário central do domínio e padrões semânticos.
2. Estágio II: Alinhamento de Instrução:
   • PVK-Cite: Ajuste fino em 22.916 pares de QA para fundamentar as respostas em citações de literatura específicas, garantindo a precisão factual.
   • PVK-Exp: Ajuste fino em 10.648 pares de QA derivados de tabelas experimentais para permitir a interpretação de métricas de desempenho quantitativas e mecanismos de eficiência.
3. Estágio III: Geração Aumentada por Recuperação de Conhecimento (RAG): O modelo é conectado a um Grafo de Conhecimento de Perovskita (PVK-KG) contendo 23.789 entidades e 22.272 triplas. Este grafo é atualizado dinamicamente via um pipeline automatizado, permitindo que o modelo acesse as descobertas científicas mais recentes sem necessidade de retreinamento frequente.

B. PVK-BO: Otimização Bayesiana Hierárquica

Para navegar no espaço de design de alta dimensionalidade, o framework emprega o PVK-BO, um motor de otimização que integra as capacidades generativas do LLM com a Otimização Bayesiana. O fluxo de trabalho opera em um ciclo fechado:

1. Warmstarting (Aquecimento): O PVK-LLM gera candidatos iniciais de alta qualidade baseados no conhecimento de domínio, abordando o problema do "cold-start" (partida a frio).
2. Design de Receita e Amostragem de Candidatos: O LLM atua como uma distribuição de proposta generativa, sugerindo novas receitas condicionadas ao feedback histórico e ao desempenho alvo.
3. Modelagem de Surrogato: O LLM funciona como um surrogato probabilístico para prever o desempenho dos candidatos antes da verificação física.
4. Função de Aquisição: Em vez de funções estatísticas rígidas, o PVK-LLM atua como uma função de aquisição inteligente, pesando os ganhos potenciais de desempenho contra o valor de exploração para selecionar a próxima receita ideal.
5. Verificação: As receitas são validadas via simuladores baseados em física (SCAPS-1D) ou experimentos de laboratório úmido (wet-lab), com os resultados retroalimentados para refinar a estratégia.

3. Resultados Principais

A. Desempenho de Benchmark

• Conhecimento de Domínio: No benchmark PVK-MCQ (1.103 questões de múltipla escolha), o PVK-LLM alcançou uma precisão de estado da arte de 87,25%, superando LLMs gerais como Qwen2.5-72B e GPT-4o.
• Avaliação Qualitativa: Em tarefas de geração aberta (PVK-QA), o PVK-LLM obteve as pontuações mais altas em precisão, completude, relevância e clareza.
• Avaliação Humana: Em comparações pareadas com cinco especialistas do domínio, o PVK-LLM alcançou taxas de vitória dominantes: 69,5% contra Qwen2.5-32B, 65,5% contra GPT-4 e 68,0% contra Deepseek-R1.
• Estrutura Semântica: A visualização t-SNE confirmou que o espaço de embedding do PVK-LLM forma clusters semânticos distintos e significativos para materiais de perovskita, ao contrário da distribuição aleatória do modelo base.

B. Experimentos de Simulador

Usando o SCAPS-1D, o framework foi testado nas tarefas de Alinhamento de Banda e Otimização de Dopagem:

• Eficiência de Inicialização: O PVK-BO alcançou uma média inicial de Eficiência de Conversão de Energia (PCE) superior à busca aleatória, sequências de Sobol e amostragem de Hipercubo Latino, contornando efetivamente a fase de exploração inicial.
• Convergência: No Alinhamento de Banda, o PVK-BO atingiu uma PCE máxima de 26,52%. Na Otimização de Dopagem, atingiu 25,44%, superando os baselines padrão de Otimização Bayesiana (BO), HEBO e TuRBO, com menor variância e convergência mais rápida.

C. Experimento de Laboratório Úmido (Wet-Lab)

Em um experimento de laboratório úmido de ciclo fechado autônomo visando PSCs do tipo p-i-n:

• Descoberta: O PVK-LLM identificou a passivação de interface como o gargalo e projetou autonomamente um novo sistema de passivação sinérgico de quatro componentes não relatado anteriormente: 3MTPAI, PDAI2, EDAI2 e PipDI.
• Otimização: Através de três épocas iterativas, o modelo refinou as proporções das misturas.
  • Época 0 (Baseline): 23,68% de PCE.
  • Época 1: 25,07% de PCE.
  • Época 2: 25,23% de PCE.
  • Época 3 (Campeão): 26,00% de PCE ($V_{OC}=1,155$ V, $J_{SC}=26,35$ mA/cm², $FF=85,44\%$).
• Este resultado aproxima-se dos recordes mundiais tipicamente alcançados através de extensas tentativas e erros de especialistas.

4. Significância e Alegações

O artigo afirma que o PVK-LLM demonstra com sucesso que a IA guiada por conhecimento de domínio pode:

1. Internalizar Especialidade Científica: Ao fazer a ponte entre o hiato semântico da linguagem natural e a ciência de materiais quantitativa, o modelo consegue compreender parâmetros de fabricação complexos e registros experimentais.
2. Acelerar a Descoberta de Materiais: O framework navega efetivamente em espaços de design de alta dimensionalidade, superando problemas de "cold-start" e reduzindo o ciclo de iteração do design teórico para a validação laboratorial.
3. Permitir a Otimização Autônoma: A integração de LLMs com Otimização Bayesiana permite a proposição autônoma de novas receitas de alto desempenho (como o dispositivo de 26,0% de PCE) sem orientação humana no loop de decisão.

Os autores observam que, embora a execução física atual dependa de um "humano no loop" para a execução no laboratório úmido, o framework é projetado para extensibilidade. Ao integrar interfaces de API padrão para automação laboratorial, o sistema visa evoluir para um agente fundamental para laboratórios autônomos (self-driving laboratories), aplicável a outros desafios da ciência dos materiais, como a otimização de eletrólitos de baterias ou triagem de fotovoltaicos orgânicos.

Limitações Reconhecidas:

• A precisão preditiva do modelo é limitada pela qualidade, ruído e inconsistências de relato da literatura acadêmica de código aberto existente.
• O rendimento (throughput) atual do laboratório úmido é limitado pela intervenção manual, embora o loop de decisão seja totalmente fechado.