跳到正文
arXiv cs.AI· Xin-De Wang, Zhi-Rui Chen, Ze-Feng Gao, Peng-Jie Guo, Cheng Mu, Zhong-Yi Lu·· 4 小时前AI 评分34

LEAP:LLM 驱动的钙钛矿前驱体添加剂闭环发现框架

A closed-loop framework for perovskite precursor additive discovery

AI 导读

LEAP 是一个结合领域专用语言模型与主动学习的闭环框架,可在低数据条件下优先筛选钙钛矿前驱体添加剂。模型从文献提取机理知识并转为可解释分子描述符,用于不确定性感知的贝叶斯优化;在未见文献评测中,其机理一致性优于所测试的通用模型。专家引导的概念验证中,两个后期轮次添加剂将器件平均光电转换效率提升至 20.13% 和 20.87%(对照组 19.25%),最佳器件达 21.32%。

正文 · AI 翻译

查看 PDF HTML(实验性)

摘要:高效发现前驱体添加剂对于提升钙钛矿太阳能电池的性能至关重要,然而庞大的化学空间使得传统的试错筛选效率低下。在此,我们展示 LEAP(LLM-driven Exploration via Active Learning for Perovskites,基于主动学习的钙钛矿大语言模型驱动探索),这是一个将领域专用语言模型与主动学习相结合的闭环框架,可在低数据条件下对钙钛矿前驱体添加剂进行优先级排序。该模型从文献中提取与机理相关的知识,并将其转化为可解释的分子描述符,用于不确定性感知的贝叶斯优化。在取自未见文献的评估中,该专用模型给出的答案比所测试的通用模型更具机理一致性。在一项专家引导的概念验证研究中,两种后期轮次的添加剂将器件平均功率转换效率提升至 20.13% 和 20.87%,而对照组为 19.25%,最佳器件达到 21.32%。由于仅对有限数量的候选物进行了前瞻性测试,这些结果为基于文献的分子表示、贝叶斯优化和专家评估能够支持钙钛矿太阳能电池添加剂发现提供了初步证据。
评论: 30 页;11 张图
主题: 机器学习(cs.LG);材料科学(cond-mat.mtrl-sci);人工智能(cs.AI);化学物理(physics.chem-ph)
引用为: arXiv:2605.20242 [cs.LG]
  (或 arXiv:2605.20242v2 [cs.LG] 为本版本)
  https://doi.org/10.48550/arXiv.2605.20242

arXiv 颁发的 DOI 经由 DataCite

相关 DOI: https://doi.org/10.1038/s43246-026-01407-3

链接到相关资源的 DOI

提交历史

来自:Xin-De Wang [查看邮箱]
[v1] 2026 年 5 月 18 日星期一 02:50:37 UTC(6,055 KB)
[v2] 2026 年 11 月 17 日星期二 05:05:00 UTC(5,770 KB)

来源:arXiv cs.AI · arxiv.org