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探索が不可欠だが、添加剤の化学空間は広大であり、従来の試行錯誤的なスクリーニングは非効率である。この課題に対し、Xin-De WangらはLEAP（ペロブスカイトのためのLLM駆動アクティブラーニング探索）と名付けたフレームワークを提案した。この論文はarXivに2026年5月18日に投稿され、30ページ、11図からなる。
LEAPの中心は、専門家参加型の閉ループシステムであり、領域特化型の大規模言語モデル（LLM）とアクティブラーニングを組み合わせて、添加剤の反復的な優先順位付けを行う。研究チームはまず、LLMを訓練してペロブスカイト添加剤の文献からメカニズムに関連する知識を抽出させ、候補分子を解釈可能な記述子で表現する。これらの記述子はベイズ最適化ワークフローに統合され、低データ条件下で不確実性を考慮した優先順位付けを可能にする。この設計により、文献中のメカニズム知識を実行可能なスクリーニング基準に変換しつつ、アクティブラーニングによって実験の試行錯誤を削減することを目指している。
モデルの能力を評価するため、著者らは未見の文献を用いたベンチマークテストを実施した。その結果、領域特化型モデルはメカニズム整合性のある推論において汎用の大規模モデルを上回り、材料化学文献に特化した訓練が構造と特性の関係をより効果的に捉えることを示した。この結果は、 subsequent 実験検証の信頼性を高めるものである。
概念実証実験では、LEAPは専門家による実現可能性レビューと組み合わせて3回のスクリーニングサイクルを経た。最終的に、後期のサイクルで6-CDQおよび2-CNA処理したデバイスはそれぞれ平均20.13%と20.87%の光電変換効率（PCE）を達成し、対照群の19.25%を上回った。さらに、最良のデバイスは21.32%のチャンピオン効率を記録した。これらのデータは、文献に基づくメカニズム記述子をベイズ最適化および専門家による実現可能性評価と組み合わせることで、ペロブスカイト光起電力におけるメカニズムを考慮した添加剤の優先順位付けを支援できるという予備的証拠を提供する。
著者らは、これらの結果はあくまで予備的な証拠であり、より大規模な実験検証が必要であると指摘している。しかし、このフレームワークは領域知識、機械学習、実験の閉ループを統合する可能性を示しており、ペロブスカイト材料発見を加速するための借鉴可能な道筋を提供する。