近日，集成电路科学与工程学院电子薄膜与集成器件全国重点实验赵怡程教授团队在学术期刊 InfoMat 上发表了题为“Unveiling the statistical behaviours of metal-halide perovskites from films to devices through a high-throughput experimental platform”的研究性论文。论文第一作者为研究生邓灿，通讯作者为电子科技大学孙相彧博士后和赵怡程教授，第一通讯单位为电子科技大学电子薄膜与集成器件全国重点实验室。
“人机料法环”是保证材料可控制备的重要因素。传统手工制备不仅限制了高性能器件的可靠生产，而且使得“人”这一因素难以和其他影响因素去耦合。另外，传统人工实验方法样本量小、数据一致性差，难以获得材料的统计分析。赵怡程教授团队联合四川高熵科技有限公司开发了国内首个光伏高通量人工智能实验平台。平台集成了从薄膜制备到光电表征的完整流程，全程无人为因素干扰且氛围高度可控。通过对高通量实验平台制备的超1000个钙钛矿样品进行统计学分析，研究人员首次揭示了溶剂氛围对实验重复性的关键影响，并引入独特的气体回流与溶剂锁定手段以控制生长氛围，从而将150个钙钛矿电池的重复性误差控制在2%以内。在从薄膜到器件的制备过程中，研究人员通过定量跟踪薄膜光学特征的统计分布，发现电荷传输层的沉积不仅影响表面，还会改变钙钛矿薄膜的本体属性。此外，基于推论性统计分析，研究人员挖掘出薄膜光学特性与器件性能的深层关联，并开发了基于XGBoost的预测模型，实现器件性能预测误差仅1.06%的惊人精度，充分展现AI驱动方法加速钙钛矿材料迭代的巨大潜力。
图1 AI×高通量实验工作站
本研究构建了国内首台全自动高通量实验平台，解决了钙钛矿研究中长期存在的重复性问题，并产生了大量无人工干扰的高质量数据集，用于金属卤化物钙钛矿的全面统计分析。通过对超1000个样本进行统计学分析，研究人员发现溶剂氛围波动是影响器件重复性的关键因素，并引入超级吸附树脂有效缓解。结合自动化实验与高级统计分析，本平台展现出卓越的预测与解释能力，适用于钙钛矿光伏及其他溶液法制备的电子器件（如：有机光伏和光电探测器）。最后，研究人员设想通过融合四个基本要素实现材料发现的范式转变：（1）自动化高通量平台，用于生成可靠数据；（2）统计分析，用于预测、解释和优化；（3）智能调度，用于闭环迭代实验；（4）大型语言模型（如 ChatGPT 和 『DeepSeek』），用于构建特定材料的大型模型并生成假设。一般来说，人的灵感会产生初始实验，然后在要素（1）、（2）和（3）之间进行多次迭代。相关的数据和知识将反馈给要素（4），最后形成一个超级大脑，自行产生想法和配方。这种新模式有望在未来大大加快从材料到器件的创新。
论文链接：https://onlinelibrary.wiley.com/doi/10.1002/inf2.70039
声明: 本文资料和图片来自于政府/园区管委会官网、官方公众号、材料相关媒体及其他公开资料，如信息有误或有遗漏，欢迎联系我们修改；我们尊重知识产权，因整理资料所需，本文中引用部分公开第三方的数据、图片等内容，其所属的知识产权归属原作者，且凡引用的内容均在文中标注了原文出处、原作者。若版权©️所有者认为本文涉嫌侵权或其他问题，请联系我方及时处理；我们力求数据严谨准确，但因受时间及人力限制，文中内容难免有所纰漏。如有重大失误失实，敬请读者不吝赐教批评指正。
