香港城市大學，重磅Nature：這一次，AI接管了實驗！

AI接管實驗了，鈣鈦礦電池效率沖上27.22%！

在新能源技術加速發展的當下，鈣鈦礦太陽能電池被視為下一代光伏的核心方向之一。然而，這項技術卻長期受制于一個“看不見的瓶頸”：材料發現和器件制造高度依賴科研人員經驗與反復試錯，不僅效率低、成本高，還導致實驗結果難以復現，嚴重阻礙其從實驗室走向產業化。如何擺脫“人工試錯”的路徑依賴，實現高效、可復制的研發體系，成為當前鈣鈦礦領域最迫切的挑戰之一。

針對這一關鍵難題，香港城市大學朱宗龍教授、曾曉成教授聯合劍橋大學Samuel D. Stranks教授提出了一種“機器學習+自動化制造”的自主閉環研究框架。該系統將材料篩選、器件制備和性能優化全部納入自動循環中：一方面利用機器學習和量子計算快速篩選高性能分子，另一方面通過自動化實驗平臺不斷優化制備工藝。在這一體系下，研究人員成功發現新型鈍化分子5ANI，使電池效率達到27.22%，并在大面積器件中實現23.49%的高性能。同時，該自動系統將制備一致性提升近5倍，并實現超過1200小時的穩定運行，標志著光伏材料研發正式邁入“自驅動時代”。相關成果以“Autonomous closed-loop framework for reproducible perovskite solar cells”為題發表在《Nature》上，高丹鵬、陸帥華、張春雷、王寧、余澤鑫和孫祥浪為共同第一作者。

從“化學空間”到自動實驗室：AI如何接管材料發現

整個研究的核心，從一個龐大的“化學宇宙”開始（圖1a）。傳統研究通常只在少數已知材料中優化，而這里，研究人員通過算法自動生成分子結構——從基礎的苯乙胺骨架出發，引入不同取代基（如-CN、-CF3等），構建出超過1.8萬個候選分子，形成一個系統化的探索空間。接下來，這些分子被送入機器學習模型進行篩選（圖1b）。模型通過已有實驗數據與第一性原理計算，建立“結構—性質—性能”之間的關系，從而預測哪些分子最有可能提升電池效率。更重要的是，這一過程并非一次性完成，而是通過“主動學習”不斷迭代優化。最終，這些理論篩選結果被送入自動化實驗平臺（圖1c）。在這里，機器人完成從材料制備、器件加工到性能測試的全部流程，并將數據實時反饋給模型，實現真正意義上的“閉環優化”。這意味著，科學家不再需要逐個實驗試錯，而是讓系統自己不斷進化。

圖1：展示AI驅動的閉環研究框架，包括化學空間構建、機器學習篩選和自動化制造系統

讓AI“理解物理”：可解釋機器學習如何找到關鍵分子

與傳統黑箱AI不同，這項研究的一個關鍵突破在于“可解釋性”（圖2a）。研究團隊使用一種名為SISSO的符號回歸算法，讓模型不僅能預測性能，還能給出明確的數學關系。通過SHAP分析（圖2b），研究發現影響電池效率的關鍵因素包括分子體積（Vm）和界面功函數（EWF）；而相關性分析（圖2c）則表明這些變量之間相互獨立，具備良好的建?；A。更進一步，模型給出了一條明確的數學表達式（圖2a），揭示多個物理參數之間的復雜耦合關系。這一結果表明，電池性能并非由單一因素決定，而是多種分子和界面特性的協同作用。在此基礎上，研究人員將模型應用到整個分子庫（圖2g），并通過篩選流程（圖2i）鎖定57個潛在高性能分子，最終挑選出4種進行實驗驗證，其中就包括表現最優的5ANI分子。

圖2：說明可解釋機器學習如何建立分子結構與電池效率之間的關系，并篩選高性能材料

自動化制造：讓每一步實驗都“更聰明”

在材料確定之后，真正的挑戰在于如何穩定、高效地制備器件。為此，研究團隊構建了一個全自動制造平臺（圖3a），從基底、電極到鈍化層全部由機器人完成。系統采用貝葉斯優化策略（圖3b），在每一輪實驗后自動調整工藝參數。隨著實驗批次增加（圖3c），器件效率不斷提升，最終未鈍化器件也達到23.87%的水平。當引入AI篩選出的分子后（圖3d），性能進一步躍升。其中5ANI表現最優（圖3e），實現27.22%的峰值效率（圖3f）。更令人驚訝的是，該材料在大面積組件（21.4 cm2）中仍能保持23.49%的高效率（圖3g）。此外，自動化平臺顯著提升了實驗一致性（圖3h）：相比人工操作，性能波動降低近5倍。這對于工業化生產至關重要。與此同時，器件在1200小時連續運行后仍保持98.7%的效率（圖3i），展現出優異穩定性。

圖3：展示自動化制造平臺、工藝優化過程以及電池性能與穩定性提升

為什么5ANI這么強？從物理機制揭示答案

為了理解性能提升的根本原因，研究團隊進一步分析了器件內部的物理機制。首先是準費米能級分裂（QFLS）（圖4a），這一指標反映能量損失情況。結果顯示，5ANI顯著提升QFLS，說明其有效抑制了非輻射復合。電致發光效率（圖4b）也明顯提升，進一步證明載流子復合損失減少。與此同時，光學PCE分布圖（圖4c-e）顯示，經過5ANI處理的薄膜更加均勻，其性能分布更集中（圖4f），說明材料質量顯著提高。在界面層面，KPFM測量（圖4g）表明功函數更加均勻，有利于電荷提取。而陷阱態密度分析（圖4h）則顯示，深能級缺陷被有效抑制，這是提升效率和穩定性的關鍵原因。

圖4：從物理機制角度分析鈍化材料如何降低缺陷、提升效率與穩定性。

結論與展望

這項研究不僅刷新了鈣鈦礦太陽能電池的效率紀錄，更重要的是，它展示了一種全新的科研范式：由AI驅動、自動運行、持續進化的閉環實驗系統。在這一體系中，材料發現、器件制造和性能優化不再是割裂的環節，而是形成一個不斷自我強化的循環。未來，這種模式有望推廣至更多材料領域，從電池到催化劑，從半導體到生物材料?？茖W研究或將從“人驅動”走向“機器協同”，極大加速創新速度?？梢灶A見，一個“自動化科研時代”正在到來。