作者 | 論文團隊

編輯丨ScienceAI

盡管鈣鈦礦太陽能電池（PSCs）的轉換效率不斷突破，但其研發過程長期依賴高強度的「試錯法」。材料化學空間的極度龐大、制造工藝的復雜性，以及高度依賴人工操作帶來的隨機誤差，使得實驗結果的「可重復性」成為困擾光伏產業化的最大痛點。

近日，香港城市大學朱宗龍教授團隊聯合曾曉成教授團隊在《Nature》發表了題為「Autonomous Closed-loop Framework for Reproducible Perovskite Solar Cells」的重磅研究。

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

該研究在光伏領域首次實現了「AI 自主材料設計」與「機器人自動化制造」的深度融合，徹底拋棄了傳統范式，構建了一個全新的自主閉環研發框架（Autonomous Closed-loop Framework）。該系統不僅用 AI 輔助計算，更讓 AI 直接作為決策中樞，指導機器人精準執行，形成了一個「設計 - 制造 - 反饋 - 迭代」的無人工干預科學發現閉環。

圖 1：AI + 自動化機器人的自主閉環系統架構，展示了從主動學習驅動的分子「大腦」篩選，到機器人機械臂「雙手」精準執行的高保真無縫閉環，突破性地實現了數據與硬件的實時聯動。

通過 SISSO 等解釋性算法與高通量平臺的協同，團隊不僅精準鎖定了新型界面材料 5ANI，更刷新了鈣鈦礦電池 27.18% 的認證穩態效率紀錄，并將制造可重復性硬核提升了 5 倍。

核心方法：解釋性 ML 與主動學習的深度協同

傳統的 AI 輔助材料設計往往受困于「黑盒」模型，難以提供深刻的物理洞見。本研究在算法層面的最大突破，在于其極強的「可解釋性」與閉環系統的「動態進化」能力。

研究團隊首先基于 RDKit 構建了包含 18,264 種分子的候選庫，并通過量子力學建模與主動學習，提取分子特征。隨后，系統引入了關鍵的篩選算法 ——SISSO。

技術解析：SISSO 算法如何「降維打擊」2 萬級分子庫？

在面對高達兩萬種候選分子的海量特征時，傳統的深度學習往往只能給出「好」與「壞」的概率，卻無法解釋「為什么」。

圖 2：解釋性機器學習驅動的界面材料精準篩選

本研究采用的 SISSO（Sure Independence Screening and Sparsifying Operator，獨立篩選與稀疏算子） 算法，是一種巧妙結合了符號回歸與壓縮感知的解釋性機器學習方法。

• 第一步：特征爆炸（特征工程）。算法首先將分子的基礎物理化學屬性（如偶極矩、成鍵能、能級等）進行數學算符組合（加減乘除、指數等），構建出一個包含數億個代數表達式的龐大特征空間。
• 第二步：獨立篩選（SIS）與稀疏化（SO）。利用壓縮感知技術（L0 正則化），系統從數十億的公式中，強行篩選出最簡單、但對器件光電轉換效率（PCE）預測準確度最高的一維或二維數學解析式。

最終，SISSO 算法將復雜的黑盒映射，降維成了人類科學家能夠理解的物理判據，促使 AI 在茫茫分子庫中精準鎖定了最優解 ——5ANI。

在自動化制備端，平臺引入了貝葉斯優化。機器人根據每一批次器件的實時表征數據，自動在參數空間中博弈，尋找退火溫度、溶液濃度等關鍵工藝的全局最優解。

實驗結果：刷新 SOTA 紀錄與 5 倍的可重復性增益

基于這一 AI 與機器人強強聯手的自驅框架，該研究在多個核心指標上實現了全方位屠榜：

• 效率突破：基于 5ANI 的器件實驗室測得效率為 27.22%，經權威第三方認證的穩態效率達到 27.18%，穩居鈣鈦礦電池的全球頂尖水平。
• 大面積組件擴展：在 21.4 cm2 的大面積組件上，該平臺同樣跑出了 23.49% 的領先效率，直接驗證了 AI 方案在工業化擴產中的降維優勢。
• 終結人為波動：通過徹底消除人為操作誤差，自動化平臺輸出的數據呈現極高的保真度。統計學分析顯示，其制造可重復性較傳統人工操作提升了近 5 倍。這意味著，光伏研發正式告別了「換個人做結果就不一樣」的窘境。
• 驚人的長期穩定性：在嚴苛的 ISOS-L-1I 協議下持續運行 1200 小時后，效率保持率仍高達 98.7%。

圖 3：器件光電性能突破與卓越的可重復性驗證

機理揭示：從宏觀效率到微觀物理的閉環驗證

為了驗證 AI 篩選的物理實質，團隊進行了多維精細表征。結果證實，5ANI 分子憑借特有的氰基與吡啶環結構，與鈣鈦礦表面建立了強化學鍵合。準費米能級分裂與熱導納譜顯示，5ANI 顯著抑制了界面非輻射復合并深層鈍化了陷阱態。

圖 4：多維表征深度解析 5ANI 的鈍化機理

總結：定義 AI for Science 的「下一代標準」

這篇《Nature》論文的意義遠不止于一個刷新紀錄的效率數值，它代表著科研范式的一次底層重構。朱宗龍、曾曉成團隊成功展示了如何將復雜的材料物理規律轉化為 AI 可理解的代數方程，并借由自動化機器人完成高保真的實驗驗證。這種AI 大腦 + 機器人手臂的無縫協同，不僅為鈣鈦礦產業化鋪平了道路，也為整個能源、半導體、催化材料領域的加速探索，提供了一套可直接復用的「自動駕駛」級 SOTA 方案。