销售咨询热线：
400-875-1717转819
评判一套自主实验室体系的核心标尺有两点：其一，体系能够触及怎样的性能上限；其二，结果是否具备稳定的可重复性。
2026年4月发表于Nature的一项研究，同时给出了两组答案：0.05 cm² 钙钛矿电池达到27.22% 光电转换效率。自动平台制备器件的效率为26.68%±0.29%，手工制备则为25.84%±1.29%。
前者代表材料体系的性能上限，后者反映制备工艺的可复现能力。香港城市大学朱宗龙、曾晓成团队联合多校研究人员，将机器学习驱动的分子发现与自动化器件制备耦合为一套完整闭环，让极限性能与工艺稳定性在同一研究框架内得到验证。
因此研读这篇文献时，值得关注的并非27.22% 这一峰值效率，而是±0.29% 所体现出的极低实验偏差。想要实现这样高的实验稳定性，配方精准配制、样品可靠转移、全流程实验数据可追溯留痕是重要的基础环节，这也正是欧世盛在 AI4S 领域持续落地的核心方向。
18264 个候选，怎样缩减到 57 个
团队从芳香族（含氮杂环）烷基胺骨架出发，通过芳香环上的取代基组合构建包含18,264 种化合物的虚拟库。这个规模无法依靠逐个合成和器件测试完成筛选，模型首先承担候选空间的压缩。
筛选从已有实验知识和量子化学计算起步。主动学习循环包括模型训练、样本获取、性质标注与训练集扩展。其中212种钝化分子修饰的FAPbI₃ 表面体系用于计算形成能与功函数，构成模型的界面性质数据集。模型再把形成能、功函数、分子体积、轨道能级等可计算性质与器件效率联系起来。论文图2给出的预测模型 R²分别为：功函数0.920、形成能0.954、器件效率0.921。
图 1 |可解释机器学习驱动的钝化材料设计。a，特征工程与符号回归；b、c，特征重要性与相关性；d–f，功函数、形成能和效率预测；g、h，候选效率分布；i，逐级筛选及代表性分子。
图 2i 展示了一条可以直接读出的筛选路径：18264个虚拟候选中，16158个进入首轮钝化候选集合。18264个虚拟候选先按偶极矩不低于 PEAI 过滤，剩16158个。再按表面功函数不低于 PEAI 过滤，剩1154 个。最后取预测效率前 5%，得到57个候选。5ANI与3AMI、4AMI、4AEI 一道进入后续实验。
这组数字说明，模型并没有用一个分数替代全部判断。分子结构、可计算的界面性质与器件效率被分成不同层级，逐层约束搜索范围。最终进入实验室的候选数量已经降到可以逐一验证的规模。
候选分子后，还要优化两轮制工艺
钝化分子被筛选出来，并不意味着器件效率会自动出现。钙钛矿薄膜的成膜状态、钝化液浓度、涂布与退火条件都会影响最终结果。研究团队因此把自动化制备平台置于材料筛选之后，用贝叶斯优化持续调整工艺。
图 2 | AI 与自动化机器人制备的自主闭环研发框架。a，化学空间与候选分子库；b，机器学习驱动的界面钝化探索与主动学习循环；c，基于贝叶斯优化的闭环自动化制备平台。
优化分为两个阶段。第一阶段针对未钝化的钙钛矿层，自动平台完成9个实验批次，先建立基础薄膜工艺。第二阶段针对钝化层，3AMI与5ANI又经历8 个实验批次。每轮器件测试结果返回模型，再决定下一组实验条件。
论文图 3c、d的散点随批次整体上移，直观呈现了工艺搜索的推进过程。这里的自动化并非把同一配方重复做更多次，而是在每次制备和测试之后改变下一次实验。材料发现与工艺优化由此形成两个相互衔接的循环：前者提出新分子，后者确定分子进入器件的工艺条件。
效率分布发生了什么变化
5ANI 最终使0.05cm² 电池达到27.22% 的实验室测量效率，认证最大功率点跟踪效率为27.18%。面积扩大到21.4cm² 的微型组件时，效率为 23.49%。封装器件在 ISOS-L-1I 协议下连续运行1200h，保持初始效率的 98.7%。
图 3 | 自动化平台制备器件的性能。a、b，器件结构与闭环优化；c、d，钙钛矿层和钝化层的分批优化；e–g，小面积电池与微型组件的电流—电压曲线；h，自动与手工制备的效率分布；i，1200 h 运行稳定性。
图3h给出另一条同样重要的结果。自动平台制备器件的效率为26.68%±0.29%，手工制备为25.84%±1.29%。自动组的标准差约为手工组的 1/4.4，论文摘要将这一表现概括为效率可重复性接近手工制备的5倍。
“近5倍"描述的是批次结果的集中程度，不是效率数值提高5倍。证明某种材料和工艺组合能够达到的上限，分布收窄则说明这套组合对操作波动的敏感程度下降。对于需要比较多个候选材料的实验，后一项会直接影响组间差异是否可信。
5ANI 把性能变化追到界面损失
研究没有停留在效率对比。准费米能级分裂、电致发光、光学效率成像、表面电位与陷阱态密度被用于解释 5ANI 的作用。
C60 沉积后，5ANI 处理薄膜的准费米能级分裂下降19meV，低于PEAI 处理样品的22meV 和未处理对照的26meV。每种条件下8个独立器件的平均电致发光效率分别为：对照3.2%、PEAI 8.8%、3AMI 10.7%、5ANI 11.2%。这些结果共同指向非辐射复合损失的降低。
图 4 | 能量损失与缺陷钝化表征。a，准费米能级分裂；b，电致发光效率；c–f，光学效率分布及其离散程度；g，接触电位分布；h，陷阱态密度。
空间均匀性也出现了可量化的变化。以光学效率分布的半峰宽衡量离散程度，5ANI为0.020，3AMI为0.026，PEAI钝化样品为0.116，收窄幅度：0.116 → 0.020，离散度收窄约5.8倍。热导纳谱则显示，5ANI 器件在0.4–0.5 eV 区间的深能级陷阱受到抑制。二维掠入射广角 X 射线散射没有观察到长程有序的二维钙钛矿相，作者据此将 5ANI 描述为表面分子钝化层。
由此，27.22% 不再只是一个孤立的器件数字：分子筛选给出候选，工艺优化实现性能，界面表征解释性能从何而来。
前沿性体现在两个闭环的接口
材料侧用主动学习、量子计算与符号回归，把界面性质压缩成可解析的效率描述，制造侧用贝叶斯优化在闭环中迭代工艺参数。二者在论文中各自都有明确任务。更关键的接口是自动化平台产生的数据：每次工艺调整都对应一次可记录的制备与测试，模型收到的反馈因此来自实际器件，而不只是计算性质。
这也解释了论文标题为何强调“可重复"。如果制造过程本身波动过大，材料之间的小幅性能差异会被工艺噪声覆盖，反馈数据难以支持下一轮选择。自动制备把效率分布收窄之后，闭环系统才具备持续比较材料与工艺的条件。
在这类流程中，欧世盛的高通量配液平台可按项目配置，承担不同钝化液配方、浓度梯度与平行样的程序化配制。配液、反应和检测单元可按化学积木方式组合，适配各类应用场景，由控制软件记录任务与运行过程数据，为数据建模提供高质量数据集。
论文信息
Gao, D. et al. Autonomous closed-loop framework for reproducible perovskite solar cells. Nature 653, 707–714 (2026).
共同通讯作者：朱宗龙、曾晓成、Stranks
DOI：10.1038/s41586-026-10482-y
