在钙钛矿太阳能电池的研究中，前驱体添加剂的筛选长期依赖试错式实验，庞大的化学空间让这一过程效率低下。2026年5月18日提交至arXiv的论文《LEAP: A closed-loop framework for perovskite precursor additive discovery》（LEAP：用于钙钛矿前驱体添加剂发现的闭环框架）提出了一种把领域专用大语言模型与主动学习结合起来的闭环方法，论文编号为arXiv:2605.20242v1，作者为Xin-De Wang等共6人，篇幅30页、含11张图，属于机器学习（cs.LG）分类，并交叉涉及材料科学（cond-mat.mtrl-sci）、人工智能（cs.AI）与化学物理（physics.chem-ph）。
该框架全称为LEAP（LLM-driven Exploration via Active Learning for Perovskites），其核心思路是“专家在环”（expert-in-the-loop）：由经过训练的领域专用大模型从钙钛矿添加剂文献中抽取与作用机理相关的知识，并用可解释的描述符来表征候选分子，再把这些描述符接入贝叶斯优化流程，从而在数据稀缺的条件下实现带有不确定性评估的优先级排序。这样做的目的是让筛选过程不仅给出“哪个分子可能有效”，还能给出与机理相关、专家可以审核的理由。
在针对未见文献的基准测试中，研究者报告该领域专用模型在机理一致性推理方面优于通用模型。这意味着经过领域知识训练的小型专用模型，在需要理解材料作用机理的任务上，能够比通识大模型给出更符合化学逻辑的判断。
实验验证采用的是专家在环的概念验证研究，共进行三轮筛选。结果显示添加剂优先级排序逐轮改善，后两轮中经6-CDQ处理的器件平均光电转换效率（PCE）为20.13%，经2-CNA处理的器件为20.87%，而对照组为19.25%；最佳器件效率达到21.32%。作者强调这些结果属于初步证据，表明以文献为基础的机理描述符在与贝叶斯优化及专家可行性审核结合后，能够支持钙钛矿光伏中的机理感知型添加剂优先级筛选。
需要注意的是，该工作目前仍是一个闭环框架的概念验证，测试规模有限，其性能提升幅度与对照组的差距并不悬殊，且效率数据来自特定实验条件。论文同时说明，其价值更多体现在提出一种可迭代、可解释的筛选范式，而非某一具体添加剂分子的最终结论。对材料信息学与AI辅助实验设计领域而言，LEAP展示了领域专用模型、主动学习与人类专家判断三者协同的可行路径。