🔬 materials science

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

本文表明，即使在物理模型和环境数据不完整的情况下，像 ChatGPT 和 DeepSeek 这样的大型语言模型也能通过对话提出并论证预测方法，从而有效地辅助预测钙钛矿太阳能电池的稳定性和降解率。

原作者： S. Frenkel, V. Zakharov, E. A. Katz

发布于 2026-01-27

📖 1 分钟阅读☕ 轻松阅读

原作者： S. Frenkel, V. Zakharov, E. A. Katz

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

大局观：预测太阳能电池的“健康状况”

想象一下，你制造出了一种新型的太阳能电池（钙钛矿太阳能电池，简称 PSC）。它就像一种高科技、超高效且成本低廉的新型太阳能电池板。但问题在于：这些电池很脆弱。在阳光、雨水、热量和湿度的影响下，它们很容易变得“生病”（发生降解）。

这篇论文中的科学家想要回答一个简单的问题：“这个太阳能电池板在停止正常工作之前能维持多久？”

通常，为了回答这个问题，你必须把电池板造出来，然后把它放在户外观察好几年，看究竟会发生什么。但这太慢了，而且因为这些太阳能电池非常新，我们还没有足够的数据。所以，作者提出了疑问：我们能否利用人工智能（特别是像 ChatGPT 这样的“聊天机器人”）在无需等待数年时间的情况下，预测这种寿命？

主要角色

太阳能电池板 (PSC)： 一种高效的新型能量收集器，但容易损坏。
天气： 敌人。阳光、热量和水分是导致电池板老化的元凶。
人工智能 (ChatGPT/DeepSeek)： “数字侦探”。研究人员不仅仅是向 AI 索要一个数字；他们要求 AI 扮演科学家的角色，寻找旧的研究论文，收集天气数据，并建立一个数学模型来猜测未来。

他们是如何做到的：“数字时光机”

研究人员将 AI 视为一个可以进行对话的智能助手。以下是他们使用的分步过程，通过类比来解释：

1. “配方”问题（本体论）
想象一下，你正在尝试烤一个蛋糕，但你不知道配料是什么。如果你问一位厨师，“我该怎么烤这个？”他们需要知道什么是“蛋糕”，什么是“面粉”，以及“热量”如何影响它。
研究人员教会了 AI 太阳能电池的“词汇表”。他们要求 AI 构建一个思维导图（称为本体论），涵盖了所有相关的要素：

层级结构： 太阳能电池是由什么组成的（就像三明治的各层）。
压力源： 什么会伤害它（热量、紫外线、湿度）。
恢复机制： 有时，太阳能电池会稍微“生病”，然后在黑暗中休息并恢复健康。AI 需要理解“好转”也是故事的一部分，而不仅仅是“变差”。

2. 搜集线索（数据狩猎）
研究人员要求 AI 寻找真实世界的数据。

天气： AI 进入数字天气档案库（就像一个巨大的过去天气图书馆），去查明 2023 年柏林到底有多热、多晴朗。
实验室结果： AI 搜索科学论文，寻找关于类似太阳能电池板在过去表现如何的数据。
“合成”方案： 由于他们并没有针对每一天都拥有完美的现实数据集，AI 创建了一个**“合成数据集”**。这就像是一个“飞行模拟器”。AI 不仅仅是在瞎猜；它根据从书籍中学到的物理知识以及它在网上找到的天气信息，构建了一个现实的“虚假”时间轴，以此模拟太阳能电池板应该如何表现。

3. 预测游戏
一旦 AI 拥有了“飞行模拟器”（合成数据）和天气历史，研究人员就让它去预测未来。

他们给 AI 提供了一年当中前 6 个月的数据。
他们要求 AI 预测 9 月、10 月和 11 月会发生什么。
AI 使用了两个不同的“数学引擎”（一个叫做 XGBoost，另一个是“Ornstein-Uhlenbeck”模型）来进行猜测。

结果：AI 做对了吗？

论文声称 AI 做得相当出色。

它发现了“冬季忧郁”： AI 正确预测了太阳能电池板的效率会在秋季/冬季显著下降（由于阳光减少和气温降低），并在条件变化时略有恢复。
它处理了“疾病”： AI 理解了电池板并不会呈直线式死亡；它会有起伏。它能够预测电池板何时会跌破“安全”水平（例如跌至原始功率的 80%）。

“非确定性”的转折

论文提到了 AI 的一个有趣特性，叫做非确定性 (Non-Determinism)。

类比： 如果你问一个人“晚饭吃什么？”，他们今天可能会说“披萨”，明天可能会说“意面”，即使你用完全相同的方式提问。
益处： 作者认为这实际上是一件好事。因为 AI 每次给出的答案略有不同，它会从不同的角度去探索问题。有时它关注热量，有时它关注湿度。通过结合这些不同的“意见”，研究人员得到了一个更完整的太阳能电池板生命图景。

核心结论

论文得出结论：ChatGPT 和类似的工具已经准备好为太阳能科学家提供帮助了。

它们可以作为混乱、不完整的现实世界数据与预测未来所需的复杂数学之间的桥梁。
它们可以发现人类可能会忽略的旧研究论文中的隐藏联系。
它们可以在几分钟内模拟数年的天气和降解过程，帮助科学家决定哪些太阳能电池设计值得建造，哪些设计会过快失效。

简而言之： 研究人员使用智能 AI 聊天机器人阅读了太阳能电池的“规则手册”，检查了天气历史，并运行了一个模拟实验，告诉我们这些新型太阳能电池板能维持多久，证明了 AI 可以成为解决复杂工程问题的得力伙伴。

技术摘要：利用大语言模型（LLM）预测钙钛矿太阳能电池稳定性

问题陈述
钙钛矿太阳能电池（PSCs）的发展受限于稳定性问题，特别是功率转换效率（PCE）随时间的退化。预测寿命（LT，通常定义为 T80，即效率降至初始值 80% 的时间）至关重要但极具挑战性。传统的统计机器学习（ML）方法难以应对，原因在于缺乏具有代表性的长期实地数据（PSCs 需要超过 25 年，但研究历史较短），以及难以在加速实验室测试中复制复杂的户外环境因素（天气、光谱、负载）。此外，现有的用于 PSC 设计的多智能体 LLM 系统往往缺乏与基于物理的退化模型的集成，且需要高水平的编程专业知识。本文研究了标准的语言大模型（LLMs，如 ChatGPT 和 DeepSeek）是否能够独立协助在信息不完整和数据稀缺的情况下预测 PSC 的退化趋势和寿命。

方法论
作者提出了一个框架，其中 LLM 作为 PSC 研究者的对话伙伴，在无需构建自定义多智能体子模型的情况下引导预测模型的构建。该方法依赖于以下组件：

本体构建（Ontology Construction）： 研究定义了一个 PSC 寿命预测的主题领域本体。这包括实体如 退化阶段（DegradationPhase）、恢复阶段（RecoveryPhase）、可逆机制（ReversibleMechanism）（例如离子迁移）以及 不可逆机制（IrreversibleMechanism）。通过向 LLM 进行查询来生成此本体，以确保其捕捉到单调退化和非单调行为（自我恢复）。
数据合成与集成： 考虑到针对特定架构的公开高分辨率实地数据稀缺，作者利用 LLM 生成“合成”时间序列。LLM 识别特定地点（如柏林）的相关气象数据库（如 DWD、ERA5、PVGIS），并将这些数据与数学退化模型（Arrhenius、Eyring、Ornstein-Uhlenbeck 随机过程）相结合，以模拟每日 PCE 轨迹。
模型选择与验证： LLM 被要求选择合适的 ML 算法（如 XGBoost、随机森林、混合 XGB+OU 模型）并定义特征工程策略。它将环境参数（辐照度、温度、湿度、UV）和架构细节（层组分）作为输入。
对话驱动的工作流： 该过程通过聊天界面进行，其中“用户”（研究者）提供约束条件（架构、位置、时间间隔），LLM 则建议数据源、模型架构和验证指标（RMSE、MAE、 $R^2$ ）。LLM 还通过利用“温度（temperature）”设置来应对其输出的非确定性，从而探索多样化的退化假设。

核心贡献

独立 LLM 的可行性： 本文证明了最先进的 LLM 可以独立识别 PSC 退化预测中的子问题（例如，在可逆模型与不可逆模型之间进行选择），而无需构建复杂的自定义多智能体系统。
本体驱动的查询： 作者表明，通过明确定义主题领域本体（包括 滞后效应（HysteresisEffect） 和 恢复阶段（RecoveryPhase） 等概念），即使在特定数据集并非直接可用时，也能让 LLM 获取相关的物理模型和文献。
合成数据生成： 研究验证了使用 LLM 生成的合成时间序列（源自气象档案和物理退化方程）作为训练和测试预测模型的替代方案，这在面对稀缺的实验数据时是可行的。
处理非单调性： 该方法成功整合了可逆退化机制（自我恢复），这类机制在标准的单调退化模型中经常被忽视，但对于准确的户外寿命预测至关重要。

LLM 成功定位并集成了来自多个来源（DWD、PVGIS 以及一个 Zenodo Perovskite Ageing 数据集）的数据，以构建必要的输入特征。
使用混合模型（XGBoost + Ornstein-Uhlenbeck 过程），系统生成的序列与观察到的退化趋势一致，包括季节性波动和恢复期。
该模型在预测短期（1 个月）和长期（1 年）间隔的 T80 方面表现出可接受的准确度，尽管使用了合成训练数据，仍能正确捕捉退化趋势的方向。
LLM 提供了模型选择的理由，并强调了特定退化机制（如离子迁移）的不确定性，同时提供了一份讨论话题和参考文献列表。

意义与主张
作者得出结论，当前的 LLM 工具拥有足够的训练样本和文献支持，能够为 PSC 设计者建议并论证预测方法，即使在物理模型不完整的情况下也是如此。本文声称 ChatGPT 可以：

建议文献中存在的各种 PSC 模型。
通过综合环境数据和物理模型，为预测退化趋势提供充分的解决方案。
通过生成具有物理合理性的合成数据集，成为克服 PSC 研究中“小数据”问题的有力工具。

其意义在于，这些工具能够通过识别子问题并提供最初用户查询中显式或隐式缺失的解决方案，从而支持 PSC 设计过程，进而加速对 PSC 稳定性的评估，而无需立即进行大规模、高成本的长期实地测试。论文保持了谦逊的基调，承认虽然 LLM 可以引导过程并提供准确的趋势预测，但其答案的非确定性以及科学界关于特定退化机制的持续争论，要求用户进行仔细的解释和验证。