
評判一套自主實驗室體系的核心標尺有兩點:其一,體系能夠觸及怎樣的性能上限;其二,結果是否具備穩定的可重復性。
2026年4月發表于Nature的一項研究,同時給出了兩組答案:0.05 cm2 鈣鈦礦電池達到27.22% 光電轉換效率。自動平臺制備器件的效率為26.68%±0.29%,手工制備則為25.84%±1.29%。
前者代表材料體系的性能上限,后者反映制備工藝的可復現能力。香港城市大學朱宗龍、曾曉成團隊聯合多校研究人員,將機器學習驅動的分子發現與自動化器件制備耦合為一套完整閉環,讓極限性能與工藝穩定性在同一研究框架內得到驗證。
因此研讀這篇文獻時,值得關注的并非27.22% 這一峰值效率,而是±0.29% 所體現出的極低實驗偏差。想要實現這樣高的實驗穩定性,配方精準配制、樣品可靠轉移、全流程實驗數據可追溯留痕是重要的基礎環節,這也正是歐世盛在 AI4S 領域持續落地的核心方向。
18264 個候選,怎樣縮減到 57 個
團隊從芳香族(含氮雜環)烷基胺骨架出發,通過芳香環上的取代基組合構建包含18,264 種化合物的虛擬庫。這個規模無法依靠逐個合成和器件測試完成篩選,模型首先承擔候選空間的壓縮。
篩選從已有實驗知識和量子化學計算起步。主動學習循環包括模型訓練、樣本獲取、性質標注與訓練集擴展。其中212種鈍化分子修飾的FAPbI? 表面體系用于計算形成能與功函數,構成模型的界面性質數據集。模型再把形成能、功函數、分子體積、軌道能級等可計算性質與器件效率聯系起來。論文圖2給出的預測模型 R2分別為:功函數0.920、形成能0.954、器件效率0.921。
圖 1 |可解釋機器學習驅動的鈍化材料設計。a,特征工程與符號回歸;b、c,特征重要性與相關性;d–f,功函數、形成能和效率預測;g、h,候選效率分布;i,逐級篩選及代表性分子。
圖 2i 展示了一條可以直接讀出的篩選路徑:18264個虛擬候選中,16158個進入首輪鈍化候選集合。18264個虛擬候選先按偶極矩不低于 PEAI 過濾,剩16158個。再按表面功函數不低于 PEAI 過濾,剩1154 個。最后取預測效率前 5%,得到57個候選。5ANI與3AMI、4AMI、4AEI 一道進入后續實驗。
這組數字說明,模型并沒有用一個分數替代全部判斷。分子結構、可計算的界面性質與器件效率被分成不同層級,逐層約束搜索范圍。最終進入實驗室的候選數量已經降到可以逐一驗證的規模。
候選分子后,還要優化兩輪制工藝
鈍化分子被篩選出來,并不意味著器件效率會自動出現。鈣鈦礦薄膜的成膜狀態、鈍化液濃度、涂布與退火條件都會影響最終結果。研究團隊因此把自動化制備平臺置于材料篩選之后,用貝葉斯優化持續調整工藝。
圖 2 | AI 與自動化機器人制備的自主閉環研發框架。a,化學空間與候選分子庫;b,機器學習驅動的界面鈍化探索與主動學習循環;c,基于貝葉斯優化的閉環自動化制備平臺。
優化分為兩個階段。第一階段針對未鈍化的鈣鈦礦層,自動平臺完成9個實驗批次,先建立基礎薄膜工藝。第二階段針對鈍化層,3AMI與5ANI又經歷8 個實驗批次。每輪器件測試結果返回模型,再決定下一組實驗條件。
論文圖 3c、d的散點隨批次整體上移,直觀呈現了工藝搜索的推進過程。這里的自動化并非把同一配方重復做更多次,而是在每次制備和測試之后改變下一次實驗。材料發現與工藝優化由此形成兩個相互銜接的循環:前者提出新分子,后者確定分子進入器件的工藝條件。
效率分布發生了什么變化
5ANI 最終使0.05cm2 電池達到27.22% 的實驗室測量效率,認證最大功率點跟蹤效率為27.18%。面積擴大到21.4cm2 的微型組件時,效率為 23.49%。封裝器件在 ISOS-L-1I 協議下連續運行1200h,保持初始效率的 98.7%。
圖 3 | 自動化平臺制備器件的性能。a、b,器件結構與閉環優化;c、d,鈣鈦礦層和鈍化層的分批優化;e–g,小面積電池與微型組件的電流—電壓曲線;h,自動與手工制備的效率分布;i,1200 h 運行穩定性。
圖3h給出另一條同樣重要的結果。自動平臺制備器件的效率為26.68%±0.29%,手工制備為25.84%±1.29%。自動組的標準差約為手工組的 1/4.4,論文摘要將這一表現概括為效率可重復性接近手工制備的5倍。
“近5倍"描述的是批次結果的集中程度,不是效率數值提高5倍。證明某種材料和工藝組合能夠達到的上限,分布收窄則說明這套組合對操作波動的敏感程度下降。對于需要比較多個候選材料的實驗,后一項會直接影響組間差異是否可信。
5ANI 把性能變化追到界面損失
研究沒有停留在效率對比。準費米能級分裂、電致發光、光學效率成像、表面電位與陷阱態密度被用于解釋 5ANI 的作用。
C60 沉積后,5ANI 處理薄膜的準費米能級分裂下降19meV,低于PEAI 處理樣品的22meV 和未處理對照的26meV。每種條件下8個獨立器件的平均電致發光效率分別為:對照3.2%、PEAI 8.8%、3AMI 10.7%、5ANI 11.2%。這些結果共同指向非輻射復合損失的降低。
圖 4 | 能量損失與缺陷鈍化表征。a,準費米能級分裂;b,電致發光效率;c–f,光學效率分布及其離散程度;g,接觸電位分布;h,陷阱態密度。
空間均勻性也出現了可量化的變化。以光學效率分布的半峰寬衡量離散程度,5ANI為0.020,3AMI為0.026,PEAI鈍化樣品為0.116,收窄幅度:0.116 → 0.020,離散度收窄約5.8倍。熱導納譜則顯示,5ANI 器件在0.4–0.5 eV 區間的深能級陷阱受到抑制。二維掠入射廣角 X 射線散射沒有觀察到長程有序的二維鈣鈦礦相,作者據此將 5ANI 描述為表面分子鈍化層。
由此,27.22% 不再只是一個孤立的器件數字:分子篩選給出候選,工藝優化實現性能,界面表征解釋性能從何而來。
前沿性體現在兩個閉環的接口
材料側用主動學習、量子計算與符號回歸,把界面性質壓縮成可解析的效率描述,制造側用貝葉斯優化在閉環中迭代工藝參數。二者在論文中各自都有明確任務。更關鍵的接口是自動化平臺產生的數據:每次工藝調整都對應一次可記錄的制備與測試,模型收到的反饋因此來自實際器件,而不只是計算性質。
這也解釋了論文標題為何強調“可重復"。如果制造過程本身波動過大,材料之間的小幅性能差異會被工藝噪聲覆蓋,反饋數據難以支持下一輪選擇。自動制備把效率分布收窄之后,閉環系統才具備持續比較材料與工藝的條件。
在這類流程中,歐世盛的高通量配液平臺可按項目配置,承擔不同鈍化液配方、濃度梯度與平行樣的程序化配制。配液、反應和檢測單元可按化學積木方式組合,適配各類應用場景,由控制軟件記錄任務與運行過程數據,為數據建模提供高質量數據集。
論文信息
Gao, D. et al. Autonomous closed-loop framework for reproducible perovskite solar cells. Nature 653, 707–714 (2026).
共同通訊作者:朱宗龍、曾曉成、Stranks
DOI:10.1038/s41586-026-10482-y