Bir araştırma ekibi, Sungkyunkwan Üniversitesi'nden Prof. Sung Beom Cho liderliğinde, Ajou Üniversitesi ve MIT işbirliğiyle, büyük dil modeli (LLM) kullanan kapalı döngü malzeme sentez planlama platformu geliştirdi. Platform, yeni ve karmaşık malzemeler için sentez koşullarını önerip deney sonuçlarına göre iyileştiriyor. Çalışma, Advanced Materials dergisinde yayımlandı.

Model, 4.407 açık erişimli katı hâl sentez makalesinden hedef malzeme, öncül, sıcaklık, devir hızı, basınç ve süre gibi bilgileri içeren bir veri tabanı oluşturularak eğitildi. Retrieval‑augmented generation yöntemiyle benzer sentez örneklerini arayıp öneri tarifleri sunuyor; öneriler literatürdeki koşullarla karşılaştırıldığında ortalama 4/5 puan alıyor. Oksiselenit bazlı katı elektrolit denemesinde, modelin ilk 600 °C önerisi safsız fazlar oluşturdu; sonuçlar modele geri beslenince sıcaklık 450 °C ve 400 °C’ye düşürülerek tek fazlı malzeme elde edildi.

Bu başarı, deneysel geri bildirim olmadan tahminlerin sınırlı olabileceğini gösteriyor ve şu an sadece belirli bir elektrolit üzerinde test edildi. Veri tabanının ve modelin farklı malzeme sistemlerine genişletilmesi, daha geniş bir keşif potansiyeli sunabilir, ancak insan uzmanlığının hâlâ kritik olduğu vurgulanıyor.