ARTICLE · 1259727
AI闭环框架让钙钛矿钝化剂开发告别“盲试”:效率27.22%,重复性提升近5倍
AI闭环框架让钙钛矿钝化剂开发告别“盲试”:效率27.22%,重复性提升近5倍
Green Carbon 最新发表的评论文章，系统解读了 Zonglong Zhu 与 Xiao Cheng Zeng 团队发表于 Nature 的自主闭环研究工作：从18264个候选分子中智能筛选钝化剂，结合机器人制备与贝叶斯优化，仅9轮迭代即实现小面积器件27.22%、迷你组件23.49%的效率，并将效率变异系数从4.99%降至1.05%。 
(a) Closed-loop workflow of AI-driven co-optimization for molecular discovery; (b)Prediction results of work function, formation energy and PCE, along with the four optimalpassivation molecules; (c) Device performance and reproducibility characterization. All schematicillustrations are original and redrawn according to the physical mechanism and data obtained inthis study. 一、传统钙钛矿研究的三道“坎” 钙钛矿太阳能电池（PSCs）实验室效率已可与晶硅电池比肩，但走向产业化仍面临系统性瓶颈。该评论文章指出，传统研究高度依赖经验试错，缺乏面向规模化生产的系统框架，具体表现为三方面： 工艺敏感性高：人工操作引入不可控随机性，实验重复性差； 参数耦合复杂：多维工艺参数相互关联，传统方法难以在巨大搜索空间中高效找到全局最优； 材料开发、器件制备与性能优化彼此割裂：数据沟通不畅，研究周期长、试错成本高、误差累积。 在此背景下，人工智能与自动化实验的结合被视为破解复杂性问题的重要路径。该评论文章聚焦的 Nature 工作，正是将“智能分子筛选—机器人制备—自主闭环优化”贯通为端到端流程的代表性尝试。 二、从18264个分子到5ANI：可解释AI如何筛选钝化剂 研究团队没有沿用传统苯乙胺类钝化分子的有限框架，而是构建了包含18264个候选分子的化学空间，并建立机器学习驱动的筛选流程。该流程以分子量、偶极矩、结合能等关键描述符为优先级，覆盖电子、空间位阻和极性功能等多种分子特征。 具体而言，团队先对20个初始体系进行DFT计算，再采用自然梯度提升（NGBoost）算法开展不确定性驱动的主动学习：优先选择不确定性高的候选分子进行DFT验证，迭代后将训练集扩展至212个样本。最终模型对全部18264个分子在钙钛矿表面的形成能和功函数进行预测，形成能预测决定系数R²=0.954，功函数预测R²=0.92，将筛选效率提升数个数量级。 与随机森林、梯度提升等“黑箱”模型不同，该工作采用可解释符号回归算法SISSO（Sure Independence Screening and Sparsifying Operator），推导出PCE与基础物理描述符之间的显式解析表达式。评论文章指出，黑箱模型在小数据集上易过拟合、难以识别高维强共线性特征中的核心变量，且无法进行逆向理性设计；SISSO则在少样本条件下保持较好的泛化能力和预测稳定性。SHAP分析进一步识别出分子体积和界面功函数是决定钝化效果的关键因素，为芳香胺分子调控钙钛矿界面提供了定量筛选依据。 基于该可解释框架，团队选取四个代表性分子进行实验验证，最终确定含吡啶和氰基功能团的5ANI为最优钝化分子。 三、自动化平台+贝叶斯优化：9轮迭代达到27.22% 在器件制备端，研究团队搭建了位于氮气手套箱内的端到端自主平台，集成溶液制备、旋涂、反溶剂滴加、退火、机械划线、热蒸发和性能表征等模块，实现无人值守、高精度、高重复性制备。评论文章指出，该平台在移液精度、薄膜均匀性和热稳定性方面均优于人工操作，有效消除了人为变异。 优化环节以贝叶斯优化为核心，采用高斯过程回归作为代理模型、期望改进作为采集函数，使系统能够在高维参数空间中自主搜索；同时结合符号回归，揭示工艺变量与器件性能之间的可解释关联。结果，平台仅用9轮迭代，就将小面积器件（0.05 cm²）PCE优化至27.22%，迷你组件（21.4 cm²）PCE达到23.49%。 四、重复性危机：CV从4.99%降至1.05% 该评论文章特别强调，这项工作在效率之外更重要的价值，是直面钙钛矿研究长期存在的“重复性危机”。通过自动化制备与闭环优化，器件效率的变异系数（CV）从人工过程的4.99%降至1.05%，重复性提升近5倍，接近产业化放大对稳定性的严苛要求。长期测试显示，5ANI钝化器件在连续光照1200小时后仍保持初始效率的98.7%。 从研究范式看，该工作打破了材料开发、器件制备和性能优化相互隔离的传统模式，构建了集智能筛选、器件制备、性能表征和自主迭代优化于一体的全流程闭环系统。评论文章认为，这使钙钛矿钝化材料的设计与工艺优化从经验探索转向理性、可控的开发模式。 五、局限与展望：从“数据驱动”走向“知识引导” 评论文章也客观指出了当前工作的不足： 钝化分子在钙钛矿表面的吸附构型和配位模式尚未在原子尺度直接验证； 吡啶与氰基在能级对齐中的协同机制缺乏定量描述； 钝化层在复杂环境下的结构演化和降解路径尚不清晰，长期稳定性背后的动态机制仍不明确； 实验优化初始训练集仅含20个分子，结构多样性不足以覆盖所有潜在分子类型。 未来可从多个方向推进：在主动学习阶段引入揭示分子—界面相互作用的描述符；构建覆盖多组分、多结构、多工艺的大规模共享数据集；应用迁移学习和多目标优化提升模型泛化性与实用性。评论文章还展望，将多模态大语言模型与自动机器人平台结合，可建立具备知识推理、智能决策和自主实验迭代能力的先进材料研究系统，推动传统数据驱动范式升级为知识引导、自演化的智能模式。该闭环范式具有较好的通用性和可扩展性，有望推广至有机光伏、量子点器件、电催化剂和分离膜等功能材料体系。 六、亮点总结 智能筛选：18264个候选分子经NGBoost主动学习与SISSO可解释符号回归筛选，锁定5ANI为最优钝化分子； ** autonomous制备**：端到端自动化平台覆盖溶液制备到性能表征，消除人为变异； 高效优化：贝叶斯优化仅9轮迭代，小面积器件PCE 27.22%，21.4 cm²迷你组件PCE 23.49%； 重复性跃升：效率变异系数由4.99%降至1.05%，1200小时光照后保持98.7%初始效率； 范式意义：构建“计算—实验—表征—优化”全流程闭环，为钙钛矿光伏产业化提供可解释、可复现的智能研究系统。 论文信息 Tianyi Liu, Zhi Li, Mohammad khaja Nazeeruddin, Tao Zhu, Chongwen Li. Autonomous Closed-Loop Framework Drives Passivator Development for Efficient and Reproducible Perovskite Solar Cells. Green Carbon (2026). DOI: 10.1016/j.greenca.2026.06.008. 
手 机：18009182172（微信号） 服务热线：15702951000 邮 箱：marketing@yurisolar.com 网 址：www.yurisolar.com 地 址：陕西省西安市秦创原陕西物联网产业基地C区2号楼 本微信公众号“钙钛矿材料和器件”所发表内容转载时会注明来源，版权归原出处所有（无法查证版权的或未注明出处的均来源于网络搜集）。转载内容（视频、文章、广告等）只以信息传播为目的，仅供参考，不代表本公众号认同其观点和立场也不作为投资意见及建议。内容的真实性、准确性和合法性由原作者负责。如涉及侵权，请联系删除，此转载不作为商业用途。
西安浴日光能科技有限公司
电 话：029-81101199
