LEAP：一種用於鈣鈦礦前驅體添加劑發現的閉環框架
高效發現前驅體添加劑對於提升鈣鈦礦太陽能電池性能至關重要，但龐大的化學空間使得傳統試錯篩選效率低下。研究者開發了LEAP（LLM驅動的主動學習探索框架），將領域專用的大語言模型與主動學習相結合，通過可解釋描述符和貝葉斯優化實現迭代添加劑優先排序。實驗證明，該框架在三輪篩選中持續提高器件性能，平均PCE達到20.13%和20.87%，優於對照組的19.25%，最佳PCE達21.32%，為鈣鈦礦光伏的機制感知添加劑篩選提供了新思路。
在鈣鈦礦太陽能電池的研究中，前驅體添加劑的發現是提升器件性能的關鍵環節。然而，候選化學空間極其龐大，傳統的試錯篩選方法效率低下，難以滿足快速發展的需求。針對這一挑戰，來自研究團隊提出了一種名為LEAP（LLM-driven Exploration via Active Learning for Perovskites）的閉環框架，旨在通過領域專用的大語言模型（LLM）與主動學習的協同作用，高效識別高潛力添加劑。
LEAP框架的核心創新在於將文獻挖掘與貝葉斯優化相結合。首先，研究者訓練了一個專用於鈣鈦礦領域的LLM，使其能夠從大量文獻中提取與添加劑機理相關的知識，並將候選分子表示為可解釋的化學描述符。這些描述符隨後被集成到一個貝葉斯優化工作流中，即使在數據量有限的條件下，也能實現不確定性感知的優先排序，從而有效縮小搜索空間。
為了驗證該方法的有效性，團隊進行了三項基準測試，比較了領域專用模型與通用模型在機理一致性推理方面的表現。結果顯示，領域專用模型在未知文獻上的性能顯著優於通用模型，表明其對鈣鈦礦領域知識的掌握更為深入。
進一步的實驗驗證採用了專家在環的概念驗證研究。在三輪篩選中，LEAP框架持續優化添加劑推薦，最終選出了兩種候選添加劑：6-CDQ和2-CNA。實驗結果表明，使用這些添加劑處理的器件平均功率轉換效率（PCE）分別達到了20.13%和20.87%，遠高於對照組的19.25%。其中，最佳器件的PCE達到了21.32%，展示了該框架在實際應用中的潛力。
這些結果初步證明了文獻驅動的機理描述符與貝葉斯優化及專家可行性評估相結合的有效性。研究團隊認為，LEAP框架為鈣鈦礦光伏領域提供了一種機制感知的添加劑優先排序方法，有望加速高效光伏器件的開發進程。未來，該框架有望擴展到其他材料發現任務中。