Nature | 制造可重复性提升5倍，港城大朱宗龙首创AI4S+机器人闭环研发框架

将 ScienceAI 设为星标

第一时间掌握

新鲜的 AI for Science 资讯

尽管钙钛矿太阳能电池（PSCs）的转换效率不断突破，但其研发过程长期依赖高强度的「试错法」。材料化学空间的极度庞大、制造工艺的复杂性，以及高度依赖人工操作带来的随机误差，使得实验结果的「可重复性」成为困扰光伏产业化的最大痛点。

近日，香港城市大学朱宗龙教授团队联合曾晓成教授团队在《Nature》发表了题为「Autonomous Closed-loop Framework for Reproducible Perovskite Solar Cells」的重磅研究。

论文地址：https://www.nature.com/articles/s41586-026-10482-y

该研究在光伏领域首次实现了「AI 自主材料设计」与「机器人自动化制造」的深度融合，彻底抛弃了传统范式，构建了一个全新的自主闭环研发框架（Autonomous Closed-loop Framework）。该系统不仅用 AI 辅助计算，更让 AI 直接作为决策中枢，指导机器人精准执行，形成了一个「设计 - 制造 - 反馈 - 迭代」的无人工干预科学发现闭环。

图 1：AI + 自动化机器人的自主闭环系统架构，展示了从主动学习驱动的分子「大脑」筛选，到机器人机械臂「双手」精准执行的高保真无缝闭环，突破性地实现了数据与硬件的实时联动。

通过 SISSO 等解释性算法与高通量平台的协同，团队不仅精准锁定了新型界面材料 5ANI，更刷新了钙钛矿电池 27.18% 的认证稳态效率纪录，并将制造可重复性硬核提升了 5 倍。

核心方法：解释性 ML 与主动学习的深度协同

传统的 AI 辅助材料设计往往受困于「黑盒」模型，难以提供深刻的物理洞见。本研究在算法层面的最大突破，在于其极强的「可解释性」与闭环系统的「动态进化」能力。

研究团队首先基于 RDKit 构建了包含 18,264 种分子的候选库，并通过量子力学建模与主动学习，提取分子特征。随后，系统引入了关键的筛选算法 ——SISSO。

技术解析：SISSO 算法如何「降维打击」2 万级分子库？

在面对高达两万种候选分子的海量特征时，传统的深度学习往往只能给出「好」与「坏」的概率，却无法解释「为什么」。

图 2：解释性机器学习驱动的界面材料精准筛选

本研究采用的 SISSO（Sure Independence Screening and Sparsifying Operator，独立筛选与稀疏算子） 算法，是一种巧妙结合了符号回归与压缩感知的解释性机器学习方法。

• 第一步：特征爆炸（特征工程）。 算法首先将分子的基础物理化学属性（如偶极矩、成键能、能级等）进行数学算符组合（加减乘除、指数等），构建出一个包含数亿个代数表达式的庞大特征空间。

• 第二步：独立筛选（SIS）与稀疏化（SO）。 利用压缩感知技术（L0 正则化），系统从数十亿的公式中，强行筛选出最简单、但对器件光电转换效率（PCE）预测准确度最高的一维或二维数学解析式。

最终，SISSO 算法将复杂的黑盒映射，降维成了人类科学家能够理解的物理判据，促使 AI 在茫茫分子库中精准锁定了最优解 ——5ANI。

在自动化制备端，平台引入了贝叶斯优化。机器人根据每一批次器件的实时表征数据，自动在参数空间中博弈，寻找退火温度、溶液浓度等关键工艺的全局最优解。

实验结果：刷新 SOTA 纪录与 5 倍的可重复性增益

基于这一 AI 与机器人强强联手的自驱框架，该研究在多个核心指标上实现了全方位屠榜：

• 效率突破：基于 5ANI 的器件实验室测得效率为 27.22%，经权威第三方认证的稳态效率达到 27.18%，稳居钙钛矿电池的全球顶尖水平。

• 大面积组件扩展：在 21.4 cm² 的大面积组件上，该平台同样跑出了 23.49% 的领先效率，直接验证了 AI 方案在工业化扩产中的降维优势。

• 终结人为波动：通过彻底消除人为操作误差，自动化平台输出的数据呈现极高的保真度。统计学分析显示，其制造可重复性较传统人工操作提升了近 5 倍。这意味着，光伏研发正式告别了「换个人做结果就不一样」的窘境。

• 惊人的长期稳定性：在严苛的 ISOS-L-1I 协议下持续运行 1200 小时后，效率保持率仍高达 98.7%。

图 3：器件光电性能突破与卓越的可重复性验证

机理揭示：从宏观效率到微观物理的闭环验证

为了验证 AI 筛选的物理实质，团队进行了多维精细表征。结果证实，5ANI 分子凭借特有的氰基与吡啶环结构，与钙钛矿表面建立了强化学键合。准费米能级分裂与热导纳谱显示，5ANI 显著抑制了界面非辐射复合并深层钝化了陷阱态。

图 4：多维表征深度解析 5ANI 的钝化机理

总结：定义 AI for Science 的「下一代标准」

这篇《Nature》论文的意义远不止于一个刷新纪录的效率数值，它代表着科研范式的一次底层重构。朱宗龙、曾晓成团队成功展示了如何将复杂的材料物理规律转化为 AI 可理解的代数方程，并借由自动化机器人完成高保真的实验验证。这种 AI 大脑 + 机器人手臂的无缝协同，不仅为钙钛矿产业化铺平了道路，也为整个能源、半导体、催化材料领域的加速探索，提供了一套可直接复用的「自动驾驶」级 SOTA 方案。