AI接管实验了，钙钛矿电池效率冲上27.22%！

在新能源技术加速发展的当下，钙钛矿太阳能电池被视为下一代光伏的核心方向之一。然而，这项技术却长期受制于一个“看不见的瓶颈”：材料发现和器件制造高度依赖科研人员经验与反复试错，不仅效率低、成本高，还导致实验结果难以复现，严重阻碍其从实验室走向产业化。如何摆脱“人工试错”的路径依赖，实现高效、可复制的研发体系，成为当前钙钛矿领域最迫切的挑战之一。

针对这一关键难题，香港城市大学朱宗龙教授、曾晓成教授联合剑桥大学Samuel D. Stranks教授提出了一种“机器学习+自动化制造”的自主闭环研究框架。该系统将材料筛选、器件制备和性能优化全部纳入自动循环中：一方面利用机器学习和量子计算快速筛选高性能分子，另一方面通过自动化实验平台不断优化制备工艺。在这一体系下，研究人员成功发现新型钝化分子5ANI，使电池效率达到27.22%，并在大面积器件中实现23.49%的高性能。同时，该自动系统将制备一致性提升近5倍，并实现超过1200小时的稳定运行，标志着光伏材料研发正式迈入“自驱动时代”。相关成果以“Autonomous closed-loop framework for reproducible perovskite solar cells”为题发表在《Nature》上，高丹鹏、陆帅华、张春雷、王宁、余泽鑫和孙祥浪为共同第一作者。

从“化学空间”到自动实验室：AI如何接管材料发现

整个研究的核心，从一个庞大的“化学宇宙”开始（图1a）。传统研究通常只在少数已知材料中优化，而这里，研究人员通过算法自动生成分子结构——从基础的苯乙胺骨架出发，引入不同取代基（如-CN、-CF3等），构建出超过1.8万个候选分子，形成一个系统化的探索空间。接下来，这些分子被送入机器学习模型进行筛选（图1b）。模型通过已有实验数据与第一性原理计算，建立“结构—性质—性能”之间的关系，从而预测哪些分子最有可能提升电池效率。更重要的是，这一过程并非一次性完成，而是通过“主动学习”不断迭代优化。最终，这些理论筛选结果被送入自动化实验平台（图1c）。在这里，机器人完成从材料制备、器件加工到性能测试的全部流程，并将数据实时反馈给模型，实现真正意义上的“闭环优化”。这意味着，科学家不再需要逐个实验试错，而是让系统自己不断进化。

图1：展示AI驱动的闭环研究框架，包括化学空间构建、机器学习筛选和自动化制造系统

让AI“理解物理”：可解释机器学习如何找到关键分子

与传统黑箱AI不同，这项研究的一个关键突破在于“可解释性”（图2a）。研究团队使用一种名为SISSO的符号回归算法，让模型不仅能预测性能，还能给出明确的数学关系。通过SHAP分析（图2b），研究发现影响电池效率的关键因素包括分子体积（Vm）和界面功函数（EWF）；而相关性分析（图2c）则表明这些变量之间相互独立，具备良好的建模基础。更进一步，模型给出了一条明确的数学表达式（图2a），揭示多个物理参数之间的复杂耦合关系。这一结果表明，电池性能并非由单一因素决定，而是多种分子和界面特性的协同作用。在此基础上，研究人员将模型应用到整个分子库（图2g），并通过筛选流程（图2i）锁定57个潜在高性能分子，最终挑选出4种进行实验验证，其中就包括表现最优的5ANI分子。

图2：说明可解释机器学习如何建立分子结构与电池效率之间的关系，并筛选高性能材料

自动化制造：让每一步实验都“更聪明”

在材料确定之后，真正的挑战在于如何稳定、高效地制备器件。为此，研究团队构建了一个全自动制造平台（图3a），从基底、电极到钝化层全部由机器人完成。系统采用贝叶斯优化策略（图3b），在每一轮实验后自动调整工艺参数。随着实验批次增加（图3c），器件效率不断提升，最终未钝化器件也达到23.87%的水平。当引入AI筛选出的分子后（图3d），性能进一步跃升。其中5ANI表现最优（图3e），实现27.22%的峰值效率（图3f）。更令人惊讶的是，该材料在大面积组件（21.4 cm²）中仍能保持23.49%的高效率（图3g）。此外，自动化平台显著提升了实验一致性（图3h）：相比人工操作，性能波动降低近5倍。这对于工业化生产至关重要。与此同时，器件在1200小时连续运行后仍保持98.7%的效率（图3i），展现出优异稳定性。

图3：展示自动化制造平台、工艺优化过程以及电池性能与稳定性提升

为什么5ANI这么强？从物理机制揭示答案

为了理解性能提升的根本原因，研究团队进一步分析了器件内部的物理机制。首先是准费米能级分裂（QFLS）（图4a），这一指标反映能量损失情况。结果显示，5ANI显著提升QFLS，说明其有效抑制了非辐射复合。电致发光效率（图4b）也明显提升，进一步证明载流子复合损失减少。与此同时，光学PCE分布图（图4c-e）显示，经过5ANI处理的薄膜更加均匀，其性能分布更集中（图4f），说明材料质量显著提高。在界面层面，KPFM测量（图4g）表明功函数更加均匀，有利于电荷提取。而陷阱态密度分析（图4h）则显示，深能级缺陷被有效抑制，这是提升效率和稳定性的关键原因。

图4：从物理机制角度分析钝化材料如何降低缺陷、提升效率与稳定性。

结论与展望

这项研究不仅刷新了钙钛矿太阳能电池的效率纪录，更重要的是，它展示了一种全新的科研范式：由AI驱动、自动运行、持续进化的闭环实验系统。在这一体系中，材料发现、器件制造和性能优化不再是割裂的环节，而是形成一个不断自我强化的循环。未来，这种模式有望推广至更多材料领域，从电池到催化剂，从半导体到生物材料。科学研究或将从“人驱动”走向“机器协同”，极大加速创新速度。可以预见，一个“自动化科研时代”正在到来。