LEAP: un framework basato sull'IA per la scoperta di additivi per perovskite
Un team di ricercatori ha introdotto LEAP (LLM-driven Exploration via Active Learning for Perovskites), un sistema a ciclo chiuso che combina un modello linguistico di grandi dimensioni specializzato con tecniche di apprendimento attivo per accelerare l'identificazione di additivi precursori per celle solari a perovskite. Questo LLM estrae conoscenze relative ai meccanismi dalla letteratura esistente e rappresenta le molecole attraverso descrittori interpretabili, che vengono incorporati nell'ottimizzazione bayesiana per la prioritizzazione in scenari con pochi dati e consapevolezza dell'incertezza. Le valutazioni di benchmark indicano che il modello specializzato supera i modelli generici nel ragionamento coerente con i meccanismi. Attualmente, la validazione sperimentale è in corso come parte di una prova di concetto che coinvolge esperti.
Fatti principali
- 1. LEAP sta per LLM-driven Exploration via Active Learning for Perovskites.
- 2. Il framework accoppia un LLM specializzato nel dominio con l'apprendimento attivo.
- 3. È progettato per la prioritizzazione iterativa degli additivi nelle celle solari a perovskite.
- 4. Il LLM estrae conoscenze rilevanti per i meccanismi dalla letteratura sugli additivi per perovskite.
- 5. Le molecole candidate sono rappresentate attraverso descrittori interpretabili.
- 6. L'ottimizzazione bayesiana consente una prioritizzazione consapevole dell'incertezza in condizioni di pochi dati.
- 7. I risultati dei benchmark mostrano che il modello specializzato nel dominio supera i modelli generici.
- 8. La validazione sperimentale è condotta in una prova di concetto con esperti nel ciclo.
Entità
—