AI赋能自动化制造：钙钛矿太阳能电池效率突破27.22%

钙钛矿太阳能电池凭借高吸收系数、长载流子扩散长度、可溶液加工以及低温制备等特性，被广泛认为是下一代高性能光伏技术的有力候选。近年来，该体系的认证效率持续攀升，器件结构也从传统的n–i–p逐步拓展至更适合叠层与规模化制备的p–i–n倒置结构。然而，随着效率不断逼近高位区间，领域内的核心挑战已不仅是“能否实现高效率器件”，更是“能否稳定、可重复、可放大地制备高效率器件”。现实中，许多高性能钙钛矿器件仍依赖研究者的个人经验，在前驱体配比、旋涂窗口、退火工艺、界面修饰和电极沉积等环节进行大量试错，这不仅导致研发周期冗长、材料筛选效率低下，还使器件性能在不同批次、不同操作者之间波动显著，成为产业化道路上的重要阻碍。与此同时，人工智能、自动化实验平台和高通量计算正在材料科学领域迅速渗透。

特别是在分子设计、界面材料开发与工艺优化方面，机器学习已能够从复杂变量中提取规律，并辅助建立结构—性质—性能之间的定量关联。但现有研究往往仅覆盖某一环节：要么专注于材料筛选，要么聚焦于自动制备优化，真正将“可解释机器学习分子设计—第一性原理验证—自动化制备—反馈优化”整合为统一闭环体系的工作仍然稀缺。对于钙钛矿光伏而言，若能建立兼顾材料发现、工艺优化、性能验证和重复性控制的自主闭环框架，就有望同时解决效率、稳定性与可制造性三大核心问题。本文正是在这一背景下，提出面向钙钛矿太阳能电池的自主闭环研究范式，并以界面钝化分子的开发与自动化制备为切入点，展现了智能化材料研发从“经验驱动”迈向“数据驱动、闭环迭代”的新路径。

在此，来自剑桥大学的Samuel D. Stranks、香港城市大学的曾晓成&朱总龙等研究者围绕“自主闭环研发”这一核心理念，构建了集成机器学习驱动材料发现与自动化制造优化的钙钛矿太阳能电池研究框架。研究团队首先以苯乙胺类分子为母体，借助RDKit进行系统化官能团取代与同分异构体生成，构建出18,264个候选分子的化学空间；随后结合20种文献已知钝化分子的实验数据与密度泛函理论（DFT）计算结果，提取最高占据分子轨道能级（HOMO）、最低未占据分子轨道能级（LUMO）、偶极矩、分子体积、功函数和形成能等描述符，并通过SHAP分析与SISSO符号回归建立可解释的器件效率预测模型。该模型对实验PCE的拟合决定系数达到R² = 0.921。针对大规模界面性质计算成本高的问题，研究团队引入基于NGBoost的主动学习框架，仅对212个代表性钙钛矿/分子体系进行第一性原理计算，便实现了对全化学空间功函数与形成能的高精度预测，其中EWF和Ec模型的R²分别达到0.920和0.954。

在此基础上，研究进一步将材料筛选结果与自动化制备平台相耦合，利用贝叶斯优化和符号回归在“制备—测试—反馈—再优化”的闭环中持续改进工艺条件，最终发现并验证了高性能界面钝化分子5-(aminomethyl)nicotinonitrile hydroiodide（5ANI）。采用该分子后，0.05 cm²器件的反扫PCE达到27.22%，认证最大功率点跟踪（MPPT）效率为27.18%；21.4 cm²小组件的反扫PCE达到23.49%。更重要的是，在ISOS-L-1I协议下，器件连续运行1,200 h后仍可保持98.7%的初始效率。与人工制备相比，自动化平台下器件效率的变异系数（CV）由4.99%显著降至1.05%，重复性接近提升5倍。机理表征表明，5ANI可有效降低非辐射复合、改善界面能级匹配、抑制深能级陷阱并提高表面势分布均一性，从而实现效率、稳定性与可重复性的协同提升。

图1 机器学习驱动的材料开发与自动化制备工作流程

图2 面向钙钛矿钝化材料设计的可解释机器学习驱动框架

图3 基于自动化平台制备的钙钛矿太阳能电池器件性能分析

图4 能量损失与缺陷钝化效应研究

（1）本文并非将机器学习仅作为辅助预测工具，而是首次将“化学空间生成—可解释模型筛选—主动学习加速界面性质预测—自动化制造—反馈优化”完整串联为统一的自主闭环体系，使钙钛矿光伏研发从经验驱动试错转向可持续迭代的智能化流程。

（2）作者强调“可解释”而非单纯“高精度”的机器学习建模思路。通过SHAP与SISSO将分子性质和界面性质共同纳入描述符体系，建立了可直接服务材料设计的解析表达式，从而给出了面向高性能界面钝化分子的清晰筛选准则。

（3）该工作最突出的价值在于把高效率、高稳定性与高重复性同时实现。5ANI不仅使0.05 cm²器件PCE达到27.22%，还实现21.4 cm²小组件23.49%的效率，并将CV由4.99%压低到1.05%，同时在1,200 h连续运行后仍保持98.7%初始效率，显示出明确的工程放大与制造转化潜力。

总体来看，这篇工作真正解决的并非单一钝化分子优选问题，而是钙钛矿太阳能电池研发过程中长期存在的“高效率难复制、好工艺难标准化、材料筛选周期长”三重痛点。研究团队通过将化学信息学、第一性原理计算、可解释机器学习与自动化制造平台深度融合，构建出能够自我学习、自我优化的闭环研究体系，并在此框架中成功发现了高性能界面钝化分子5ANI。由此获得的27.22%器件效率、23.49%小组件效率以及近5倍的重复性提升，说明该平台不仅能找到“更好的材料”，还能更稳定地把材料优势转化为器件优势。

从更广泛的意义上看，本文为光伏材料研究提供了一种具有方法学示范价值的新范式：未来高水平钙钛矿研究的竞争焦点，可能不再只是某个单点性能纪录，而是能否建立跨越材料设计、工艺优化、机理解析与规模制造的全链条智能闭环。尤其是在界面工程复杂、变量众多、人工经验占比高的体系中，这种“可解释模型 + 自动化实验”的协同路线极具推广潜力。无论是用于新型钝化分子发现、传输层优化，还是用于叠层器件和规模化组件开发，该研究都提供了值得借鉴的技术路径。

本文关键词：钙钛矿太阳能电池；自主闭环框架；可解释机器学习；5ANI界面钝化；自动化制造；贝叶斯优化；高重复性

说明：本文仅代表作者个人观点，旨在第一时间介绍和宣传有机光电领域的研究进展。由于水平有限，如有错误之处，烦请各位读者联系指正。