登上Nature：AI科學家+實驗機器人，革新了這個熱門科研領域

撰文丨王聰

編輯丨王多魚

排版丨水成文

一個不知疲倦的AI 科學家，再搭配一個精準無誤的實驗機器人，7×24 小時不間斷地探索新材料、自主優化制造工藝。這不是科學幻想，而是一篇剛剛上線的Nature論文所展示的突破性成果。

2026 年 4 月 14 日，香港城市大學朱宗龍、曾曉成聯合劍橋大學的研究人員（高丹鵬、陸帥華、張春雷、王寧、余澤鑫、孫祥浪為論文共同第一作者），在國際頂尖學術期刊Nature上發表了題為：Autonomous closed-loop framework for reproducible perovskite solar cells 的研究論文。

該研究成功構建了一種自主閉環系統，將機器學習驅動的材料發現與自動化制造平臺深度融合。該系統采用主動學習與量子建模方法快速篩選高性能分子，同時制造平臺通過貝葉斯優化和符號回歸構建反饋回路，持續優化制備工藝。通過這種集成化方案，成功發掘出了新型鈍化分子5-（氨甲基）煙腈碘化氫（5ANI），基于該分子制備的 0.05 cm2 太陽能電池實現了27.22%的光電轉換效率（認證最大功率點跟蹤效率 27.18%），21.4 cm2 微型組件的光電轉換效率達到23.49%。在穩定性方面，器件在 ISOS-L-1I 標準下連續運行 1200 小時后仍保持初始效率的 98.7%。尤為重要的是，自動化平臺實現的效率的可重復性達到人類專家制備的 5 倍。

該研究所建立的自主閉環系統，將機器學習驅動的發現與自動化制造的高保真數據有機結合，為光伏與材料領域的自主發現與智能制造建立了新標桿。

一項開創性的研究如今帶來了重大突破，引入了一種將機器學習與自動化制造相結合的自主閉環框架，有望徹底改變鈣鈦礦太陽能電池的設計、優化和規模化生產方式。

在人類不懈追求清潔能源革新的過程中，鈣鈦礦太陽能電池因其高效率和相對較低的生產成本而成為希望之星。然而，其廣泛商業化卻遠遠落后于實驗室成果，這在很大程度上是由于材料發現和器件制造過程中依賴于人類經驗的緩慢、實驗性的試錯法和優化。這一瓶頸深深植根于鈣鈦礦材料的復雜性和多變性，這需要細致入微的人類專業知識和費力的微調。

此外，傳統方法不僅材料發現效率低下，設備可重復性差，制造良率也不穩定，從而嚴重阻礙了從實驗室到工廠的轉化過程。

機器學習驅動的自主實驗為解決這些問題提供了一個變革性途徑。盡管基于物理信息學習的機器學習模型在加速發現方面顯示出潛力，但一個完全集成可解釋機器學習引導材料設計與自主設備優化的統一框架，此前尚未實現。

在這項最新研究中，研究團隊構建的自主閉環研究框架包含兩大核心模塊：機器學習驅動的材料發現系統（AI 科學家）和自動化設備制造平臺（實驗機器人）。

在材料發現端，該系統采用可解釋的機器學習算法，結合密度泛函理論計算，快速篩選超過 2 萬種化學物質。這一過程建立了針對鈍化分子的定量結構-性能-性能關系，以提升鈣鈦礦太陽能電池的光電轉換效率。在自動化制造端，平臺使用貝葉斯優化和符號回歸形成反饋循環，持續優化制造工藝。

這種集成方法不僅指導發現了鈍化分子5-（氨甲基）煙腈碘化氫（5ANI），還自主優化了其在制造工作流程中的應用。該分子在緩解鈣鈦礦薄膜的界面缺陷方面發揮著關鍵作用。眾所周知，此類缺陷會嚴重限制載流子壽命和器件的整體效率，因此有針對性的鈍化成為突破性能瓶頸的關鍵策略。

在上述材料發現的基礎上，研究團隊制備出了基于5-（氨甲基）煙腈碘化氫（5ANI）的 0.05 cm2 的太陽能電池，其實現了高達27.22%的光電轉換效率（認證最大功率點跟蹤效率 27.18%），21.4 cm2 微型組件的光電轉換效率則達到了23.49%。這些效率使該器件躋身于頂級鈣鈦礦太陽能器件行列，突顯了自動化方法的可擴展性潛力。

至關重要的是，這些進步不僅僅體現在單純的效率指標上。穩定性長期以來一直是鈣鈦礦太陽能電池的頑疾，而這一頑疾得到了該閉環系統的有力解決。在嚴格的 ISOS-L-1I 穩定性測試協議下，連續運行 1200 小時后，器件仍能保持初始效率的 98.7%。這種長時間的運行能力對于實際應用至關重要，表明有針對性的分子設計與工藝優化相結合，能夠極大地提升在苛刻環境條件下的性能和耐久性。

最具變革性的地方在于，該平臺能夠提高可重復性，這是鈣鈦礦太陽能電池領域一個眾所周知的難題。該研究證明，這一自動化實驗平臺實現的效率可重復性幾乎是人類專家制造的 5 倍。這一指標具有開創性意義，因為它解決了大規模生產的一個根本障礙——確保設備性能的一致性，從而建立商業部署的信任，并增強投資者的信心。

這項開創性的工作代表著一種范式轉變——標志著機器學習驅動的材料發現首次與鈣鈦礦太陽能電池領域的自動化、高保真制造無縫集成。這種閉環框架不僅加快了實驗進程，還生成了豐富、可靠的數據庫，進一步優化了 AI 模型，形成了一個不斷改進的良性循環。其影響遠遠超出了光伏領域，為材料科學和工程的各個領域提供了自主發現和制造的藍圖。

這種做法預示著未來人類主導實驗的可重復瓶頸將被 AI + 自動化的實驗室所取代，這些實驗室能夠以前所未有的規模加速創新。將模擬、機器學習和機器人技術相結合，有望將材料發現從手工技藝推進到自動化時代，將所需時間從數年縮短至數月甚至數周。對于可再生能源領域而言，這意味著更快的轉型時間表和更低的成本，對全球可持續發展議程至關重要。

AI 引導的發現與機器人精密制造所展現出的協同效應，不僅為光伏器件的性能樹立了標桿，也為科學的可重復性和可擴展性設立了新標準。它挑戰了現有實驗范式，展示了自主實驗室如何探索傳統方法難以駕馭的巨大化學空間和復雜的制造參數。這一飛躍有助于彌合實驗室規模的突破與工業規模的實施之間的鴻溝，使下一代太陽能技術更接近市場現實，為清潔能源技術的突破提供強大動力。

論文鏈接：

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