LEAP：ペロブスカイト前駆体添加剤発見のための閉ループフレームワーク
ペロブスカイト太陽電池の性能向上には前駆体添加剤の効率的な発見が不可欠ですが、化学空間が広大なため従来の試行錯誤によるスクリーニングは非効率です。研究者らは、ドメイン特化型大規模言語モデル（LLM）と能動学習を組み合わせたLEAP（LLM駆動型能動学習探査）フレームワークを開発しました。可解釈性のある記述子とベイズ最適化を用いて、低データ条件下で不確実性を考慮した優先順位付けを実現します。実験検証では、6-CDQおよび2-CNA処理デバイスの平均PCEが20.13%および20.87%に達し、対照群の19.25%を上回り、最高PCEは21.32%でした。
ペロブスカイト太陽電池の研究において、前駆体添加剤の発見はデバイス性能向上の鍵です。しかし、候補となる化学空間は非常に広大で、従来の試行錯誤によるスクリーニングでは効率が悪く、急速に進む需要に応えることが困難です。この課題に対し、研究チームはLEAP（LLM-driven Exploration via Active Learning for Perovskites）という閉ループフレームワークを提案しました。これは、ドメイン特化型大規模言語モデル（LLM）と能動学習を連携させ、高潜在性の添加剤を効率的に特定することを目的としています。
LEAPフレームワークの核心は、文献マイニングとベイズ最適化の統合にあります。まず、ペロブスカイト分野に特化したLLMを訓練し、添加剤のメカニズムに関連する知識を文献から抽出させ、候補分子を解釈可能な化学記述子として表現します。これらの記述子はその後、ベイズ最適化ワークフローに組み込まれ、データが限られた状況でも不確実性を考慮した優先順位付けを可能にし、探索空間を効果的に縮小します。
この手法の有効性を検証するため、チームは3つのベンチマークテストを実施し、ドメイン特化モデルと汎用モデルのメカニズム一貫性推論における性能を比較しました。結果、ドメイン特化モデルは未知の文献において汎用モデルを大幅に上回り、ペロブスカイト分野の知識をより深く理解していることが示されました。
さらに、専門家がループ内に入る概念実証研究による実験的検証が行われました。3回のスクリーニングラウンドを経て、LEAPフレームワークは最終的に6-CDQと2-CNAの2つの候補添加剤を選定しました。実験結果によると、これらの添加剤を使用したデバイスの平均電力変換効率（PCE）はそれぞれ20.13%および20.87%に達し、対照群の19.25%を大きく上回りました。最高効率デバイスは21.32%のPCEを記録し、このフレームワークの実用的な可能性を示しています。
これらの結果は、文献に基づくメカニズム記述子とベイズ最適化、専門家による実現可能性評価を組み合わせたアプローチの有効性を予備的に立証するものです。研究チームは、LEAPフレームワークがペロブスカイト太陽電池分野におけるメカニズムを考慮した添加剤優先順位付けの手法を提供し、高効率デバイスの開発を加速すると考えています。将来的には、他の材料発見タスクへの応用も期待されています。