論文の概要: LEAP: A closed-loop framework for perovskite precursor additive discovery

• arxiv url: http://arxiv.org/abs/2605.20242v1
• Date: Mon, 18 May 2026 02:50:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-21 19:19:56.228331
• Title: LEAP: A closed-loop framework for perovskite precursor additive discovery
• Title（参考訳）: LEAP:ペロブスカイト前駆体添加物発見のためのクローズドループフレームワーク
• Authors: Xin-De Wang, Zhi-Rui Chen, Ze-Feng Gao, Peng-Jie Guo, Cheng Mu, Zhong-Yi Lu,
• Abstract要約: LEAP(LLM-driven Exploration via Active Learning for Perovskites)は、ループのクローズドフレームワークである。 LLMはペロブスカイト添加物からメカニズム関連知識を抽出するために訓練されている。
• 参考スコア（独自算出の注目度）: 8.382295588723666
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Efficient discovery of precursor additives is essential for improving the performance of perovskite solar cells, yet the large chemical space makes conventional trial-and-error screening inefficient. We develop LEAP(LLM-driven Exploration via Active Learning for Perovskites), an expert-in-the-loop closed framework that couples a domain-specialized large language model(LLM) with active learning for iterative additive prioritization. The LLM is trained to extract mechanism-relevant knowledge from the perovskite additive literature and to represent candidate molecules through interpretable descriptors, which are further integrated into a Bayesian optimization workflow for uncertainty-aware prioritization under low-data conditions. Benchmark results on unseen literature show that the domain-specialized model outperforms general-purpose models in mechanism-consistent reasoning. Experimental validation in an expert-in-the-loop proof-of-concept study suggests improved additive prioritization across three screening rounds, leading to average device PCEs of 20.13% and 20.87% for the later-round 6-CDQ- and 2-CNA-treated devices, respectively, compared with 19.25% for the control, with a champion PCE of 21.32%. These results provide preliminary evidence that literature-grounded mechanistic descriptors, when coupled with Bayesian optimization and expert feasibility review, can support mechanism-aware additive prioritization in perovskite photovoltaics.
• Abstract（参考訳）: ペロブスカイト太陽電池の性能向上には前駆体添加剤の効率的な発見が不可欠であるが、化学空間が大きいため従来の試行錯誤スクリーニングは非効率である。 我々は,ドメイン特化大規模言語モデル(LLM)と反復的付加的優先順位付けのためのアクティブ学習を結合した,ループ内クローズドフレームワークであるLEAP(LLM-driven Exploration via Active Learning for Perovskites)を開発した。 LLMは、ペロブスカイト添加物からメカニズム関連知識を抽出し、解釈可能な記述子を通して候補分子を表現できるように訓練され、低データ条件下での不確実性を考慮した優先順位付けのためのベイズ最適化ワークフローにさらに統合される。 不明瞭な文献のベンチマーク結果は、ドメイン特化モデルがメカニズム一貫性推論において汎用モデルより優れていることを示している。 プリンシパル・イン・ザ・ループ・オブ・コンセプション(英語版)での実験検証では、3回のスクリーニングラウンドで追加優先度が向上し、平均的なデバイスPCEが20.13%、後続の6-CDQ-および2-CNA-処理デバイスが20.87%、それぞれ19.25%、チャンピオンPCEが21.32%となることが示唆された。 これらの結果は、ベイズ最適化と専門家のフィージビリティ・レビューと組み合わせることで、ペロブスカイト型太陽光発電におけるメカニズム対応の付加的優先順位付けを支持できるという予備的な証拠を与える。

関連論文リスト

• EviCare: Enhancing Diagnosis Prediction with Deep Model-Guided Evidence for In-Context Reasoning [62.61394722212386]
  EviCareは、大規模言語モデルにディープモデルガイダンスを統合する、コンテキスト内推論フレームワークである。 LLMのみのベースラインと深層モデルのみのベースラインを2つの実世界のEHRベンチマークで連続的に上回っている。
  論文  参考訳（メタデータ） (2026-04-12T04:35:14Z)
• STAR : Bridging Statistical and Agentic Reasoning for Large Model Performance Prediction [78.0692157478247]
  本稿では,知識駆動型エージェント推論を用いて,データ駆動型静的予測を橋渡しするフレームワークSTARを提案する。 STARはスコアベースとランクベースの両方の基準線を一貫して上回ることを示す。
  論文  参考訳（メタデータ） (2026-02-12T16:30:07Z)
• PeroMAS: A Multi-agent System of Perovskite Material Discovery [51.859972927223936]
  ペロブスカイト太陽電池(PSC)は優れた光電子性能とコストポテンシャルで有名である。 既存のAIアプローチは主に、マテリアルデザイン、プロセス最適化、プロパティ予測など、独立したモデルに焦点を当てている。 ペロブスカイト材料発見のためのマルチエージェントシステムPeroMASを提案する。
  論文  参考訳（メタデータ） (2026-02-10T09:33:06Z)
• Layer-adaptive Expert Pruning for Pre-Training of Mixture-of-Experts Large Language Models [13.25114757425841]
  本研究では,Mixture-of-Experts (MoE) Large Language Models (LLMs) の事前学習段階に対するLayer-Adaptive Expert Pruning (LAEP)アルゴリズムを導入する。 総合的な実験により、LAEPはモデルのサイズを効果的に減らし、事前学習効率を大幅に改善することが示された。 特に、1010Bベースモデルをスクラッチから事前トレーニングする場合、LAEPはトレーニング効率を48.3%改善し、33.3%のパラメータ削減を実現している。
  論文  参考訳（メタデータ） (2026-01-20T08:39:04Z)
• Pre-Attention Expert Prediction and Prefetching for Mixture-of-Experts Large Language Models [3.815661340933621]
  我々は,高精度かつ軽量なエキスパートプレフェッチを実現するために,プレアテンションエキスパート予測を提案する。 当社の軽量プレアテンションエキスパートルータは、DeepSeek V2 Liteで93.03%、Qwen3-30Bで94.69%、Phi-mini-MoEで97.62%の精度を達成した。
  論文  参考訳（メタデータ） (2025-11-10T13:05:07Z)
• Out-of-Sample Hydrocarbon Production Forecasting: Time Series Machine Learning using Productivity Index-Driven Features and Inductive Conformal Prediction [1.1534313664323632]
  本研究は, アウトオブサンプル炭化水素生産予測の堅牢性を高めるために設計された新しいMLフレームワークを紹介する。 The Volve (wells PF14, PF12) and Norne (well E1H) oil field, this study is using the historical data from the Volve (wells PF14, PF12) and Norne (well E1H) oil field, we investigated the effective of various predictive algorithm。
  論文  参考訳（メタデータ） (2025-08-12T19:14:46Z)
• Perovskite-R1: A Domain-Specialized LLM for Intelligent Discovery of Precursor Additives and Experimental Design [5.378023608941598]
  ペロブスカイト太陽電池 (PSCs) は、次世代の太陽電池技術の主要な候補として急速に出現している。 長期の安定、環境の持続可能性、スケーラブルな製造といった課題は、商業化を妨げ続けている。 プリキュラ付加工学はPSCの性能と耐久性を向上させることでこれらの問題に対処することを約束している。 本稿では,PSC前駆体の発見と設計に適した高度な推論機能を備えた特殊大言語モデル(LLM)であるPerovskite-R1を紹介する。
  論文  参考訳（メタデータ） (2025-07-22T07:48:32Z)
• Supervised Optimism Correction: Be Confident When LLMs Are Sure [91.7459076316849]
  教師付き微調整とオフライン強化学習の間には,新たな理論的関係が確立されている。 広く使われているビームサーチ法は、許容できない過度な最適化に悩まされていることを示す。 本稿では,トークンレベル$Q$-value推定のための簡易かつ効果的な補助的損失を導入したSupervised Optimism Correctionを提案する。
  論文  参考訳（メタデータ） (2025-04-10T07:50:03Z)
• The Dual-use Dilemma in LLMs: Do Empowering Ethical Capacities Make a Degraded Utility? [54.18519360412294]
  大きな言語モデル(LLM)は、安全のための有害な要求を拒否することと、ユーティリティのための正当な要求を収容することのバランスをとる必要がある。 本稿では,DPO(Direct Preference Optimization)に基づくアライメントフレームワークを提案する。 我々は,DeepSeek-R1をベンチマークでテストした結果を解析し,この高い評価を得たモデルがもたらす批判的倫理的懸念を明らかにする。
  論文  参考訳（メタデータ） (2025-01-20T06:35:01Z)
• Machine Learning Co-pilot for Screening of Organic Molecular Additives for Perovskite Solar Cells [12.969955836781773]
  Co-Pilot for Perovskite Additive Screener (Co-PAS)は、ペロブスカイト太陽電池の添加性スクリーニングを加速するML駆動のフレームワークである。 Co-PASは、足場ベースの事前スクリーニングと潜木変分オートエンコーダ(JTVAE)を統合することで予測バイアスを克服する 新規なBoc-L-threonine N-hydroxysuccin ester(BTN)を含むいくつかの有望な伝達分子を同定する。
  論文  参考訳（メタデータ） (2024-12-18T17:52:45Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。