登上Nature：AI科学家+实验机器人，革新了这个热门科研领域

撰文丨王聪

编辑丨王多鱼

排版丨水成文

一个不知疲倦的AI 科学家，再搭配一个精准无误的实验机器人，7×24 小时不间断地探索新材料、自主优化制造工艺。这不是科学幻想，而是一篇刚刚上线的Nature论文所展示的突破性成果。

2026 年 4 月 14 日，香港城市大学朱宗龙、曾晓成联合剑桥大学的研究人员（高丹鹏、陆帅华、张春雷、王宁、余泽鑫、孙祥浪为论文共同第一作者），在国际顶尖学术期刊Nature上发表了题为：Autonomous closed-loop framework for reproducible perovskite solar cells 的研究论文。

该研究成功构建了一种自主闭环系统，将机器学习驱动的材料发现与自动化制造平台深度融合。该系统采用主动学习与量子建模方法快速筛选高性能分子，同时制造平台通过贝叶斯优化和符号回归构建反馈回路，持续优化制备工艺。通过这种集成化方案，成功发掘出了新型钝化分子5-（氨甲基）烟腈碘化氢（5ANI），基于该分子制备的 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 27.18%），21.4 cm² 微型组件的光电转换效率达到23.49%。在稳定性方面，器件在 ISOS-L-1I 标准下连续运行 1200 小时后仍保持初始效率的 98.7%。尤为重要的是，自动化平台实现的效率的可重复性达到人类专家制备的 5 倍。

该研究所建立的自主闭环系统，将机器学习驱动的发现与自动化制造的高保真数据有机结合，为光伏与材料领域的自主发现与智能制造建立了新标杆。

一项开创性的研究如今带来了重大突破，引入了一种将机器学习与自动化制造相结合的自主闭环框架，有望彻底改变钙钛矿太阳能电池的设计、优化和规模化生产方式。

在人类不懈追求清洁能源革新的过程中，钙钛矿太阳能电池因其高效率和相对较低的生产成本而成为希望之星。然而，其广泛商业化却远远落后于实验室成果，这在很大程度上是由于材料发现和器件制造过程中依赖于人类经验的缓慢、实验性的试错法和优化。这一瓶颈深深植根于钙钛矿材料的复杂性和多变性，这需要细致入微的人类专业知识和费力的微调。

此外，传统方法不仅材料发现效率低下，设备可重复性差，制造良率也不稳定，从而严重阻碍了从实验室到工厂的转化过程。

机器学习驱动的自主实验为解决这些问题提供了一个变革性途径。尽管基于物理信息学习的机器学习模型在加速发现方面显示出潜力，但一个完全集成可解释机器学习引导材料设计与自主设备优化的统一框架，此前尚未实现。

在这项最新研究中，研究团队构建的自主闭环研究框架包含两大核心模块：机器学习驱动的材料发现系统（AI 科学家）和自动化设备制造平台（实验机器人）。

在材料发现端，该系统采用可解释的机器学习算法，结合密度泛函理论计算，快速筛选超过 2 万种化学物质。这一过程建立了针对钝化分子的定量结构-性能-性能关系，以提升钙钛矿太阳能电池的光电转换效率。在自动化制造端，平台使用贝叶斯优化和符号回归形成反馈循环，持续优化制造工艺。

这种集成方法不仅指导发现了钝化分子5-（氨甲基）烟腈碘化氢（5ANI），还自主优化了其在制造工作流程中的应用。该分子在缓解钙钛矿薄膜的界面缺陷方面发挥着关键作用。众所周知，此类缺陷会严重限制载流子寿命和器件的整体效率，因此有针对性的钝化成为突破性能瓶颈的关键策略。

在上述材料发现的基础上，研究团队制备出了基于5-（氨甲基）烟腈碘化氢（5ANI）的 0.05 cm² 的太阳能电池，其实现了高达27.22%的光电转换效率（认证最大功率点跟踪效率 27.18%），21.4 cm² 微型组件的光电转换效率则达到了23.49%。这些效率使该器件跻身于顶级钙钛矿太阳能器件行列，突显了自动化方法的可扩展性潜力。

至关重要的是，这些进步不仅仅体现在单纯的效率指标上。稳定性长期以来一直是钙钛矿太阳能电池的顽疾，而这一顽疾得到了该闭环系统的有力解决。在严格的 ISOS-L-1I 稳定性测试协议下，连续运行 1200 小时后，器件仍能保持初始效率的 98.7%。这种长时间的运行能力对于实际应用至关重要，表明有针对性的分子设计与工艺优化相结合，能够极大地提升在苛刻环境条件下的性能和耐久性。

最具变革性的地方在于，该平台能够提高可重复性，这是钙钛矿太阳能电池领域一个众所周知的难题。该研究证明，这一自动化实验平台实现的效率可重复性几乎是人类专家制造的 5 倍。这一指标具有开创性意义，因为它解决了大规模生产的一个根本障碍——确保设备性能的一致性，从而建立商业部署的信任，并增强投资者的信心。

这项开创性的工作代表着一种范式转变——标志着机器学习驱动的材料发现首次与钙钛矿太阳能电池领域的自动化、高保真制造无缝集成。这种闭环框架不仅加快了实验进程，还生成了丰富、可靠的数据库，进一步优化了 AI 模型，形成了一个不断改进的良性循环。其影响远远超出了光伏领域，为材料科学和工程的各个领域提供了自主发现和制造的蓝图。

这种做法预示着未来人类主导实验的可重复瓶颈将被 AI + 自动化的实验室所取代，这些实验室能够以前所未有的规模加速创新。将模拟、机器学习和机器人技术相结合，有望将材料发现从手工技艺推进到自动化时代，将所需时间从数年缩短至数月甚至数周。对于可再生能源领域而言，这意味着更快的转型时间表和更低的成本，对全球可持续发展议程至关重要。

AI 引导的发现与机器人精密制造所展现出的协同效应，不仅为光伏器件的性能树立了标杆，也为科学的可重复性和可扩展性设立了新标准。它挑战了现有实验范式，展示了自主实验室如何探索传统方法难以驾驭的巨大化学空间和复杂的制造参数。这一飞跃有助于弥合实验室规模的突破与工业规模的实施之间的鸿沟，使下一代太阳能技术更接近市场现实，为清洁能源技术的突破提供强大动力。

论文链接：

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