鈣鈦礦太陽能電池的光電轉(zhuǎn)換效率在過去十年里從 3.8% 一路飆升至 26% 以上，逼近甚至超越傳統(tǒng)的晶硅電池，這個速度在光伏歷史上幾乎是前所未有的。但有一個問題始終沒有解決：材料發(fā)現(xiàn)和器件制造高度依賴科研人員的經(jīng)驗和反復(fù)試錯，不僅效率低、成本高，更重要的是實驗結(jié)果難以復(fù)現(xiàn) —— 不同實驗室、不同批次之間的性能差異巨大，嚴重阻礙了從實驗室走向產(chǎn)業(yè)化的進程。

近期，兩篇分別發(fā)表于 《Engineering》 和 《Nature》 的研究，從不同角度回應(yīng)了這一挑戰(zhàn)。但有意思的是，兩者思路不同，但指向了同一個方向：讓 AI 來設(shè)計實驗，讓機器人來執(zhí)行實驗，然后閉環(huán)迭代。

01 香港理工大學團隊：11個機器人盒子,

5萬次實驗，效率突破27%

香港理工大學趙海濤教授團隊聯(lián)合瑞士洛桑聯(lián)邦理工學院、牛津大學等高校，在《Engineering》上發(fā)表了一項題為 “基于配方語言模型的智能體式機器人箱制備鈣鈦礦太陽能電池” 的研究。

圖 Materials Intelligence概念圖

他們構(gòu)建了一套由 11 個機器人盒子組成的互聯(lián)系統(tǒng)，覆蓋了從鈣鈦礦合成、薄膜制備、界面工程到原位表征的全流程，總共配備了 101 個功能模塊、超過 1500 個組件、4300 個可控參數(shù)。

除了硬件系統(tǒng)之外，他們還開發(fā)了名為配方語言模型（Recipe Language Model, RLM）的 AI 大腦，思路是把每一個配方參數(shù)，比如鈣鈦礦中 Cs 的摩爾分數(shù)、旋涂轉(zhuǎn)速、退火時間等編碼成一個離散的語義單元。這樣，一個完整的制備流程就變成了一串結(jié)構(gòu)化的配方序列。這些序列既能被語言模型理解，也能被編譯成機器人指令執(zhí)行。同時這些配方序列可通過兩個閉環(huán)被不斷優(yōu)化：

• 閉環(huán)I（文獻 - RLM）

AI 從海量文獻中學習已有的配方知識和機理，構(gòu)建初始的知識庫。

• 閉環(huán)II（機器人 - RLM）

AI 將推薦的配方編譯成機器人指令，在機器人盒子中執(zhí)行合成、制備和表征等操作流程。所有失敗或者成功的實驗結(jié)果又被反饋回 AI 模型，用于進一步微調(diào)。

這項工作的核心創(chuàng)新在于：讓 AI 不僅能讀文獻，還能自己設(shè)計實驗、驅(qū)動機器人執(zhí)行、分析結(jié)果并自我進化。

在 AI 的引導(dǎo)下，11 個機器人盒子可控地完成了 5 萬個鈣鈦礦太陽能電池的合成、制備和表征，生成了超過 5.78 億個用于模型訓練的語義令牌。最終，系統(tǒng)將鈣鈦礦太陽能電池的光電轉(zhuǎn)換效率提升至 27.0%（經(jīng)認證為 26.5%），與人類頂尖研究人員的記錄相當。

02 香港城市大學團隊：機器學習+

自動化制造，發(fā)現(xiàn)新型分子效率達27.22%

幾乎在同一時間，香港城市大學朱宗龍教授、曾曉成教授聯(lián)合劍橋大學 Samuel D. Stranks 教授團隊，在《Nature》上發(fā)表了題為 “用于可重復(fù)鈣鈦礦太陽能電池的自主閉環(huán)框架” 的研究。他們的切入點更加聚焦：用 AI 加速界面鈍化材料的發(fā)現(xiàn)，并實現(xiàn)高度可重復(fù)的自動化制備。

• 從2萬種分子中篩出冠軍

鈣鈦礦太陽能電池的性能很大程度上取決于界面處的缺陷鈍化。傳統(tǒng)上，研究人員依賴化學直覺合成幾種已知的芳香胺衍生物進行測試，而香港城市大學團隊則將化學空間擴展到了 18264 種化合物。

他們開發(fā)了一個基于 SISSO（確定獨立篩選和稀疏化算子）的可解釋機器學習模型。該模型僅用 20 組實驗數(shù)據(jù)（來自文獻中已知的鈍化分子），就學習到了分子性質(zhì)（偶極矩、分子體積）、界面性質(zhì)（功函數(shù)、形成能）與器件效率之間的定量構(gòu)效關(guān)系，模型的預(yù)測決定系數(shù) R² 高達 0.921。

圖 展示可解釋機器學習模型篩選并驗證高性能分子

基于這一模型，團隊從近兩萬種候選分子中篩選出了 57 種頂級候選材料，并最終合成了 4 種此前未見報道的新型鈍化分子。其中，名為 5 -（氨甲基）煙腈氫碘酸鹽（5ANI） 的分子表現(xiàn)最為出色。

• 5倍可重復(fù)性提升，開啟自驅(qū)動時代

發(fā)現(xiàn)分子只是第一步。研究團隊將自動化制造平臺與貝葉斯優(yōu)化算法結(jié)合，形成了一個閉環(huán)優(yōu)化系統(tǒng)：平臺自動制備器件、測試性能，算法根據(jù)結(jié)果自動調(diào)整下一批實驗的制備參數(shù)。

圖 展示由算法生成分子庫、機器主動學習篩選與自動化閉環(huán)優(yōu)化的系統(tǒng)

經(jīng)過九輪工藝優(yōu)化，采用 5ANI 鈍化的 0.05 cm² 太陽能電池實現(xiàn)了 27.22% 的光電轉(zhuǎn)換效率（認證最大功率點跟蹤效率為 27.18%），21.4 cm² 的迷你組件實現(xiàn)了 23.49% 的效率。

更重要的是，這套自動化平臺將器件制備的可重復(fù)性提升了近 5 倍，手動制備的效率變異系數(shù)高達 4.99%，而自動化平臺僅為 1.05%。這種高精度對于生成高質(zhì)量的、可用于持續(xù) AI 訓練的數(shù)據(jù)至關(guān)重要。此外，5ANI 鈍化的器件在連續(xù)運行 1200 小時后，仍能保持初始效率的 98.7%，展現(xiàn)了優(yōu)異的穩(wěn)定性。

整個工作的邏輯鏈條很清晰：用小數(shù)據(jù)訓練可解釋模型 → 預(yù)測大量候選 → 篩選合成驗證 → 自動化工藝優(yōu)化。

03 殊途同歸:

AI+機器人正在重塑材料科學

前者更偏全能通用，構(gòu)建了覆蓋合成、制備、表征全流程的通用機器人平臺，強調(diào) AI 的機理推理能力和大規(guī)模數(shù)據(jù)生成，RLM 不僅做推薦，還做機理推理，把數(shù)值數(shù)據(jù)和語義知識融合在一起。這種通用性更強的架構(gòu)，理論上可以遷移到其他材料體系。

后者則更偏精準研究，聚焦于界面鈍化分子這一關(guān)鍵痛點，但做得非常透徹，從分子設(shè)計、模型構(gòu)建到自動化工藝優(yōu)化，形成了一條完整的閉環(huán)鏈條。用極少的實驗數(shù)據(jù)就能實現(xiàn)高精度預(yù)測，并首次將自動化帶來的可重復(fù)性提升量化到 5 倍。

但兩者的底層邏輯完全一致：用 AI 替代人類的經(jīng)驗直覺，用機器人替代人類的重復(fù)勞動，將科學家從試錯中解放出來，專注于真正的創(chuàng)造性思考。

香港理工大學團隊的研究之所以能夠?qū)崿F(xiàn)如此大規(guī)模的自動化實驗通量，背后離不開晶泰科技提供的支持。作為該研究的合作伙伴，晶泰科技已經(jīng)構(gòu)建了“AI設(shè)計+高通量自動化實驗+數(shù)據(jù)閉環(huán)”的智能研發(fā)體系。

圖 晶泰科技在新能源等領(lǐng)域的交付案例

通過智能電解液工作站、鈣鈦礦及鋰電池制備表征等全流程自動化平臺，實現(xiàn)從固/液精準加樣、無水無氧操作到性能測試的全天候無人值守運行。晶泰攻克了球磨、壓片等復(fù)雜工藝自動化難題，支持電解液、正極、隔膜及固態(tài)電解質(zhì)等多材料體系研發(fā)。以數(shù)據(jù)×智能驅(qū)動模式替代經(jīng)驗驅(qū)動，顯著提升研發(fā)效率與可重復(fù)性，降低人力成本，加速新能源材料從配方篩選到電池應(yīng)用的迭代進程。

這兩項研究的意義遠不止于鈣鈦礦太陽能電池本身。

香港理工大學提出 “配方語言模型” 框架，將材料合成參數(shù)轉(zhuǎn)化為語義單元，可遷移應(yīng)用于鋰離子電池、固態(tài)電解質(zhì)、有機發(fā)光二極管等多種材料體系。香港城市大學則在數(shù)據(jù)稀疏條件下，結(jié)合第一性原理計算與可解釋機器學習，從少量實驗數(shù)據(jù)中提煉具物理意義的解析表達式，為理性材料設(shè)計提供新范式。

正如《Nature》論文在標題中所宣告的：光伏材料的研發(fā)正在邁入 “自驅(qū)動時代”。當 AI 科學家在虛擬空間中窮盡化學空間的每一種可能，當機器人 24 小時不間斷地合成、制備、表征，材料發(fā)現(xiàn)的邊界將被以前所未有的速度向前推進。

而晶泰科技所做的，正是為這場變革提供底層的基礎(chǔ)設(shè)施，讓每一個實驗室、每一家企業(yè)，都能擁有屬于自己的 AI 科學家和機器人助手，這不僅是鈣鈦礦太陽能電池的勝利，更是人類與 AI 協(xié)同創(chuàng)新的一個縮影。

文獻原文：

https://www.sciencedirect.com/science/article/pii/S2095809926001840?via=ihub

https://doi.org/10.1038/s41586-026-10482-y

聲明：

本文所有內(nèi)容旨在學術(shù)探討與信息交流，所有權(quán)利歸原作者所有。