في عالم الطاقة المتجددة، تعتبر خلايا الطاقة الشمسية المصنوعة من مادة البيروفسكايت واحدة من أكثر الخيارات الواعدة، ولكن تعزيز أدائها يتطلب استخدام إضافات سابقة فعالة. هنا تبرز الحاجة إلى أساليب متقدمة للتعرف على هذه الإضافات، حيث يمكن أن تكون الطرق التقليدية غير كافية بسبب اتساع الفضاء الكيميائي.

تقدم الأبحاث الحديثة LEAP (استكشاف مدفوع بنموذج لغوي كبير عبر التعلم النشط لإضافات البيروفسكايت) كإطار مغلق يجمع بين نموذج لغوي متخصص والتعلم النشط، مما يساعد على تصنيف الأولويات للإضافات بشكل دوري. يتم تدريب النموذج اللغوي لاستخراج المعرفة ذات الصلة بالعمليات الكيميائية من الأدبيات الخاصة بالإضافات البيروفسكاتية، مما يمكنه من تمثيل الجزيئات المرشحة من خلال أوصاف قابلة للتفسير.

تتكامل هذه الوصفات مع سير عمل تحسين بايزي (Bayesian Optimization) الذي يساعد في تصنيف الأولويات بشكل فعال حتى في الظروف ذات البيانات المنخفضة. أظهرت النتائج التجريبية أن النموذج المتخصص يتفوق على النماذج العامة في التفكير المتعلق بالعمليات الكيميائية.

في دراسة تجريبية للشهادة، أظهر وتيرة محسنة في تصنيف الأولويات عبر ثلاث جولات اختبار، مع تحقيق كفاءة تحويل الطاقة (PCE) بنسبة 20.13% و20.87% للخلايا المعالجة بـ 6-CDQ و2-CNA، مقارنةً بنسبة 19.25% كمجموعة تحكم، مع نسبة قياسية بلغت 21.32%.

تعكس هذه النتائج إمكانية استخدام الأوصاف الميكانيكية المستندة إلى الأدبيات مع تحسين بايزي ومراجعة الجدوى بواسطة الخبراء لدعم تصنيف الأولويات الموجه نحو العمليات في تقنيات الطاقة الشمسية من البيروفسكايت.