科学家开发AI闭环自动化工作流程，部分材料认证效率达25.9%

来自河南省焦作市武陟县北郭乡的武建昌，走出了一条科研逆袭之路。从本科就读于南阳师范学院，到硕士和博士先后毕业于中国科技大学和北京大学，再到在Science主刊发表一作论文，这是一条少有人走过的成功之路。而在不久的将来，他也将回国寻找教职。

AI 驱动材料闭环设计

那么，这篇顶刊论文涉及了什么成果？

具体来说，他研发出一种高通量闭环工作流程，发现了分子结构与性能之间的规律，提出了新的分子分类与设计规则，最终实现了高性能材料的开发。

首先，他开发出一套结合高通量有机半导体合成和贝叶斯优化的闭环工作流程，能够快速生成实验数据并通过机器学习进行预测，从而实现对于分子结构的逆向设计。这套流程显著提高了材料发现效率，为稀缺数据领域提供了可行的解决方案。

其次，他通过训练机器学习模型并提取特征重要性，发现了一些关键的分子描述符（如 HOMO 能级、HOMO/LUMO 能隙、三级胺基团等）对器件性能有决定性影响。例如，最高占据分子轨道能级（HOMO，Highest Occupied Molecular Orbital）对电荷提取效率至关重要，而三级胺（尤其是三苯胺结构）由于其较低的电离势，对提升分子的空穴传输性能起到重要作用。

再次，他根据三苯胺基团的位置对分子进行了分类，明确了不同类型分子的 HOMO 能级范围及其与光伏效率的关系。这一分类和规律能够显著缩小候选分子的筛选范围，从原始的 100 万种候选分子减少到数百种具有高潜力的分子。为了帮助人们快速筛选分子，他引入了拓扑极性表面积（TPSA，Total Polar Surface Area）作为分子极性和电子吸引能力的粗略指标，并利用公开数据库（如 PubChem）进行快速查询。基于这一方法，他筛选出 TPSA 值适中的分子，以保证它们在钙钛矿界面具有良好的钝化和电荷传输特性。

最后，他对候选分子的边缘基团（B 位）进行了细化调整。例如，通过调整对苯二甲酸（TPA，Terephthalic acid）衍生物与 5 种不同 B 位基团的组合（如对称性略弱的 A770 基团），显著优化了分子的取向、钝化效果和电荷传输性能，进一步将分子数量从数百种缩减至数十种。

利用这一精细的分类和筛选过程，能够从近百万的候选分子中高效地筛选出少量具有高潜力的分子，并最终通过高通量合成验证其性能。通过这一策略，不仅提升了分子筛选的效率，还为分子设计提供了可操作的指导规则，为下一步的材料开发奠定了坚实基础。

基于上述流程和规律，他设计并合成了一系列新型空穴传输材料，其中一部分材料在钙钛矿太阳能电池中的认证效率达到 25.9%。

总的来说，通过本次研究他不仅开发了高效的材料发现工具，还为分子设计提供了可解释的科学依据，这些成果将对有机光电材料的开发产生重要影响。

审稿人指出，该研究的意义已远远超越具体问题领域，对材料发现和优化具有广泛的启发性。

若干年内，以下具体领域可能会受益于这一成果：

其一，高效钙钛矿太阳能电池的开发。通过分子分类方法和设计规则，研究人员可以快速筛选和优化新型空穴传输材料，进一步提高钙钛矿太阳能电池的效率和稳定性。这一方法已经展示了其在实现高达 26.2% 功率转换效率的潜力，有望在 3 至 5 年内推动钙钛矿电池的商业化进程。

其二，定制化光电材料。这种机器学习和实验结合的闭环设计方法，能够快速生成针对特定设备需求的分子设计规则。这一方法可以推广到其他光电材料领域，例如有机太阳能电池、发光二极管、光电探测器和有机晶体管等，从而为下一代高性能光电子器件奠定基础。

其三，个性化材料数据库的构建。在未来 10 年内，利用本次工作流程可以逐步建立针对不同应用场景的大型材料数据库。这些数据库不仅可以服务于研究人员，还可以为工业界提供可靠的数据支持，推动人工智能驱动的材料研发从实验室走向实际生产。

思维习惯带来的意外收获

而这一课题的开展要从 2020 年说起，当时武建昌即将博士毕业。那时，他与目前的博士后导师取得联系。该导师的团队当时专注于高通量器件制备及其自动化表征，尤其是通过机器学习预测器件稳定性。

然而，这种方法更多是加速制备工艺，对新材料的发现助力有限，而新材料的发现是实现材料闭环设计的关键。鉴于武建昌的有机合成背景，他和博后导师确定了本次研究第一个目标——实现高通量有机合成。

高通量合成是本次研究的第一大难点。传统有机合成需要大量的手工步骤和时间，而如何将这些过程高效化、自动化是一个全新的挑战。

在调研过程中，该团队排除了部分应用有限的方法（如不溶聚合物）和分子库受限的方法。通过借鉴实验室机器人筛选溶剂的理念，开发了一套结合理论计算的数据驱动高通量合成方案，成功实现了高通量化合成。

合成大量分子后，课题组面临选择何种器件结构和制备工艺的问题。在两种钙钛矿器件结构（n-i-p 和 p-i-n）中，p-i-n 结构对分子材料影响更大，能够直接调控钙钛矿晶体生长，因此他们选定这一结构进行器件研究。

得到初步器件数据后，他们与德国卡尔斯鲁厄理工学院的机器学习专家合作，通过训练机器学习模型来分析结构-性能关系。

模型的反馈不断引导他们合成新材料，借此实现了从候选分子到目标分子的迭代优化，最终提炼出分子分类和设计规则，从而得以显著缩小筛选范围，最终达成研究目标。

在研究过程中，有一件事情让武建昌至今记忆犹新。第一次高通量合成出 54 种材料时，武建昌非常兴奋。但是，当天器件制备的手套箱已经约满了，武建昌就等到晚上 11 点没人的时候过去。

光吸收层（钙钛矿）需要在这些分子上制备，这需要分子居于良好的浸润性。然而实验开始后，武建昌发现钙钛矿溶液完全不浸润分子表面。连续测试了几个材料，依然如此。

起初他怀疑材料不行，但根据他的经验这些分子结构虽然浸润性稍差，却不至于完全失效。随后，武建昌反思实验设计，怀疑是溶液配制所用的塑料离心管问题。加热搅拌过程中，可能有塑料成分溶解到溶液中，破坏了样品性能。

第二天，武建昌更换玻璃器皿重新实验，验证了这一推测。这些分子不仅浸润性良好，甚至优于一些主流空穴传输材料。

这次经历让武建昌深刻体会到，作为有机合成研究背景的科研人士，他不会首先怀疑材料不行，而是怀疑这个工艺是否和材料兼容。现在来看，这种思维习惯有时会带来意外收获。

最终，相关论文以《逆向设计工作流程发现适合钙钛矿太阳能电池的孔传输材料》（Inverse design workflow discovers hole-transport materials tailored for perovskite solar cells）为题发在Science[1]。

武建昌是第一作者，韩国蔚山科学技术院 Sang Il Seok、德国卡尔斯鲁厄理工学院帕斯卡尔·弗里德里希（Pascal Friederich）教授、德国纽伦堡亥姆霍兹可再生能源研究所（Christoph J. Brabec）教授担任共同通讯作者。

尽管本次研究取得了理想的成果，但仍有许多值得进一步探索和优化的方向。当前的高通量平台已经可以应对中等规模的分子库筛选，但在速度和规模上还有提升空间。

未来，该团队计划开发更加高效的自动化合成和纯化系统，以应对更大分子库的需求，拓展至其他领域如催化剂和有机发光材料。

随着研究的深入，课题组计划进一步提高机器学习在整个流程中的参与度，例如构建更加全面的数据库、自动规划反应路径以及制定器件工艺方案，进一步优化材料筛选流程。

另据悉，本次方法不仅适用于钙钛矿太阳能电池，还可以推广到有机发光二极管、有机场效应晶体管等其他光电器件领域，为其提供高效的分子设计与优化策略。

最终，武建昌希望构建一个完全自动化的闭环设计系统，从分子设计、合成、测试到优化都无需人工干预，从而实现材料研发效率的飞跃。

参考资料：

1.Wu, J., Torresi, L., Hu, M., Reiser, P., Zhang, J., Rocha-Ortiz, J. S., ... & Brabec, C. J. (2024). Inverse design workflow discovers hole-transport materials tailored for perovskite solar cells.Science, 386(6727), 1256-1264.

排版：刘雅坤