AI化学观察室丨当AI遇上钙钛矿太阳能电池：两个顶尖团队分别打破效率纪录

钙钛矿太阳能电池的光电转换效率在过去十年里从 3.8% 一路飙升至 26% 以上，逼近甚至超越传统的晶硅电池，这个速度在光伏历史上几乎是前所未有的。但有一个问题始终没有解决：材料发现和器件制造高度依赖科研人员的经验和反复试错，不仅效率低、成本高，更重要的是实验结果难以复现 —— 不同实验室、不同批次之间的性能差异巨大，严重阻碍了从实验室走向产业化的进程。

近期，两篇分别发表于 《Engineering》 和 《Nature》 的研究，从不同角度回应了这一挑战。但有意思的是，两者思路不同，但指向了同一个方向：让 AI 来设计实验，让机器人来执行实验，然后闭环迭代。

01 香港理工大学团队：11个机器人盒子,

5万次实验，效率突破27%

香港理工大学赵海涛教授团队联合瑞士洛桑联邦理工学院、牛津大学等高校，在《Engineering》上发表了一项题为 “基于配方语言模型的智能体式机器人箱制备钙钛矿太阳能电池” 的研究。

图 Materials Intelligence概念图

他们构建了一套由 11 个机器人盒子组成的互联系统，覆盖了从钙钛矿合成、薄膜制备、界面工程到原位表征的全流程，总共配备了 101 个功能模块、超过 1500 个组件、4300 个可控参数。

除了硬件系统之外，他们还开发了名为配方语言模型（Recipe Language Model, RLM）的 AI 大脑，思路是把每一个配方参数，比如钙钛矿中 Cs 的摩尔分数、旋涂转速、退火时间等编码成一个离散的语义单元。这样，一个完整的制备流程就变成了一串结构化的配方序列。这些序列既能被语言模型理解，也能被编译成机器人指令执行。同时这些配方序列可通过两个闭环被不断优化：

• 闭环I（文献 - RLM）

AI 从海量文献中学习已有的配方知识和机理，构建初始的知识库。

• 闭环II（机器人 - RLM）

AI 将推荐的配方编译成机器人指令，在机器人盒子中执行合成、制备和表征等操作流程。所有失败或者成功的实验结果又被反馈回 AI 模型，用于进一步微调。

这项工作的核心创新在于：让 AI 不仅能读文献，还能自己设计实验、驱动机器人执行、分析结果并自我进化。

在 AI 的引导下，11 个机器人盒子可控地完成了 5 万个钙钛矿太阳能电池的合成、制备和表征，生成了超过 5.78 亿个用于模型训练的语义令牌。最终，系统将钙钛矿太阳能电池的光电转换效率提升至 27.0%（经认证为 26.5%），与人类顶尖研究人员的记录相当。

02 香港城市大学团队：机器学习+

自动化制造，发现新型分子效率达27.22%

几乎在同一时间，香港城市大学朱宗龙教授、曾晓成教授联合剑桥大学 Samuel D. Stranks 教授团队，在《Nature》上发表了题为 “用于可重复钙钛矿太阳能电池的自主闭环框架” 的研究。他们的切入点更加聚焦：用 AI 加速界面钝化材料的发现，并实现高度可重复的自动化制备。

• 从2万种分子中筛出冠军

钙钛矿太阳能电池的性能很大程度上取决于界面处的缺陷钝化。传统上，研究人员依赖化学直觉合成几种已知的芳香胺衍生物进行测试，而香港城市大学团队则将化学空间扩展到了 18264 种化合物。

他们开发了一个基于 SISSO（确定独立筛选和稀疏化算子）的可解释机器学习模型。该模型仅用 20 组实验数据（来自文献中已知的钝化分子），就学习到了分子性质（偶极矩、分子体积）、界面性质（功函数、形成能）与器件效率之间的定量构效关系，模型的预测决定系数 R² 高达 0.921。

图 展示可解释机器学习模型筛选并验证高性能分子

基于这一模型，团队从近两万种候选分子中筛选出了 57 种顶级候选材料，并最终合成了 4 种此前未见报道的新型钝化分子。其中，名为 5 -（氨甲基）烟腈氢碘酸盐（5ANI） 的分子表现最为出色。

• 5倍可重复性提升，开启自驱动时代

发现分子只是第一步。研究团队将自动化制造平台与贝叶斯优化算法结合，形成了一个闭环优化系统：平台自动制备器件、测试性能，算法根据结果自动调整下一批实验的制备参数。

图 展示由算法生成分子库、机器主动学习筛选与自动化闭环优化的系统

经过九轮工艺优化，采用 5ANI 钝化的 0.05 cm² 太阳能电池实现了 27.22% 的光电转换效率（认证最大功率点跟踪效率为 27.18%），21.4 cm² 的迷你组件实现了 23.49% 的效率。

更重要的是，这套自动化平台将器件制备的可重复性提升了近 5 倍，手动制备的效率变异系数高达 4.99%，而自动化平台仅为 1.05%。这种高精度对于生成高质量的、可用于持续 AI 训练的数据至关重要。此外，5ANI 钝化的器件在连续运行 1200 小时后，仍能保持初始效率的 98.7%，展现了优异的稳定性。

整个工作的逻辑链条很清晰：用小数据训练可解释模型 → 预测大量候选 → 筛选合成验证 → 自动化工艺优化。

03 殊途同归:

AI+机器人正在重塑材料科学

前者更偏全能通用，构建了覆盖合成、制备、表征全流程的通用机器人平台，强调 AI 的机理推理能力和大规模数据生成，RLM 不仅做推荐，还做机理推理，把数值数据和语义知识融合在一起。这种通用性更强的架构，理论上可以迁移到其他材料体系。

后者则更偏精准研究，聚焦于界面钝化分子这一关键痛点，但做得非常透彻，从分子设计、模型构建到自动化工艺优化，形成了一条完整的闭环链条。用极少的实验数据就能实现高精度预测，并首次将自动化带来的可重复性提升量化到 5 倍。

但两者的底层逻辑完全一致：用 AI 替代人类的经验直觉，用机器人替代人类的重复劳动，将科学家从试错中解放出来，专注于真正的创造性思考。

香港理工大学团队的研究之所以能够实现如此大规模的自动化实验通量，背后离不开晶泰科技提供的支持。作为该研究的合作伙伴，晶泰科技已经构建了“AI设计+高通量自动化实验+数据闭环”的智能研发体系。

图 晶泰科技在新能源等领域的交付案例

通过智能电解液工作站、钙钛矿及锂电池制备表征等全流程自动化平台，实现从固/液精准加样、无水无氧操作到性能测试的全天候无人值守运行。晶泰攻克了球磨、压片等复杂工艺自动化难题，支持电解液、正极、隔膜及固态电解质等多材料体系研发。以数据×智能驱动模式替代经验驱动，显著提升研发效率与可重复性，降低人力成本，加速新能源材料从配方筛选到电池应用的迭代进程。

这两项研究的意义远不止于钙钛矿太阳能电池本身。

香港理工大学提出 “配方语言模型” 框架，将材料合成参数转化为语义单元，可迁移应用于锂离子电池、固态电解质、有机发光二极管等多种材料体系。香港城市大学则在数据稀疏条件下，结合第一性原理计算与可解释机器学习，从少量实验数据中提炼具物理意义的解析表达式，为理性材料设计提供新范式。

正如《Nature》论文在标题中所宣告的：光伏材料的研发正在迈入 “自驱动时代”。当 AI 科学家在虚拟空间中穷尽化学空间的每一种可能，当机器人 24 小时不间断地合成、制备、表征，材料发现的边界将被以前所未有的速度向前推进。

而晶泰科技所做的，正是为这场变革提供底层的基础设施，让每一个实验室、每一家企业，都能拥有属于自己的 AI 科学家和机器人助手，这不仅是钙钛矿太阳能电池的胜利，更是人类与 AI 协同创新的一个缩影。

文献原文：

https://www.sciencedirect.com/science/article/pii/S2095809926001840?via=ihub

https://doi.org/10.1038/s41586-026-10482-y

声明：

本文所有内容旨在学术探讨与信息交流，所有权利归原作者所有。