AI+机器人加速钙钛矿：两团队分别冲破效率新高

过去十年里，钙钛矿太阳能电池的光电转换效率从 3.8% 持续攀升到 26% 以上，几乎以“光伏史上罕见”的速度接近甚至跨过传统晶硅路线。但长期以来仍有一处难题难以跨越：材料开发与器件制作高度依赖科研人员的经验，反复试错不仅让周期变长、成本居高，也带来更关键的痛点——实验结果在不同实验室、不同批次之间差异明显，复现性不足直接卡住了从实验室走向规模化的道路。

近日，发表于《Engineering》和《Nature》的两项研究分别从不同角度回应了上述挑战。值得注意的是，尽管技术路线各有侧重，但最终指向的是同一条主线：让 AI 来规划实验，让机器人来完成操作，再通过闭环迭代不断优化。

（左右滑动查看更多）

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》发表了题为 “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

他们搭建了一套由 11 个机器人盒子组成的协同系统，覆盖钙钛矿合成、薄膜成型、界面调控到原位表征的完整链路，共部署了 101 个功能模块，包含 1500 多个组件，能够调控超过 4300 个参数。

在硬件之外，团队还构建了配方语言模型（Recipe Language Model, RLM）作为“AI大脑”。其核心做法是把配方中的每个参数（例如钙钛矿中 Cs 的摩尔分数、旋涂转速、退火时间等）映射为可被模型理解的离散语义单元。由此，一个完整制备流程被表示为一连串结构化配方序列：这些序列既能被语言模型“读懂”，也能被转译为机器人可执行的指令。同时，配方序列会借助两个闭环机制持续被打磨和优化：

•闭环I（文献 - RLM）

AI 从海量文献中吸收既有配方与机理信息，形成初始知识底座。

•闭环II（机器人 - RLM）

当 AI 生成推荐配方后，模型将其编译为机器人指令在设备中运行合成、制备与表征流程；实验的成功与失败结果会回传给 AI，用于持续校准与微调。

这项工作的关键创新在于：让 AI 不只是阅读文献，而是能够自行提出实验方案、调度机器人执行、解读结果并进行自我进化。

在 AI 的牵引下，11 个机器人盒子实现了 5 万个钙钛矿太阳能电池的合成、制备与表征，并产出了超过 5.78 亿个用于训练的语义令牌。最终，系统把光电转换效率提升至 27.0%（认证为 26.5%），与人类顶尖团队的记录水平相近。

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%

几乎同一时期，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》发布了题为 “用于可重复钙钛矿太阳能电池的自主闭环框架” 的工作。他们的关注点更集中：利用 AI 提升界面钝化材料的发现效率，并实现高度可重复的自动化器件制备。

•从2万种分子中筛出冠军

钙钛矿器件的表现很大程度取决于界面处缺陷的钝化程度。以往研究多依赖化学直觉，挑选少量已知芳香胺衍生物逐一测试；而香港城市大学团队则把化学探索空间扩展到 18264 种候选化合物。

他们提出了一套基于 SISSO（确定独立筛选和稀疏化算子）的可解释机器学习框架。该模型只需要 20 组实验数据（来自文献中已知的钝化分子），就能学习到分子层面的性质（偶极矩、分子体积）、界面层面的指标（功函数、形成能），以及这些特征与器件效率之间的定量对应关系；模型的预测决定系数 R2 达到 0.921。

图 展示可解释机器学习模型筛选并验证高性能分子

借助这一模型，团队从近两万种候选分子里筛出 57 种高潜力材料，并最终合成了 4 种先前未有报道的全新钝化分子。其中，名为 5 -（氨甲基）烟腈氢碘酸盐（5ANI）的分子表现最佳。

•5倍可重复性提升，开启自驱动时代

找到分子只是起点。研究团队进一步把自动化制造平台与贝叶斯优化算法联动，构建闭环优化体系：平台负责自动制备与性能测试，算法则依据结果自动更新下一轮实验的制备参数。

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

经过九轮工艺迭代，采用 5ANI 作为钝化剂的 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%）；同时，21.4 cm² 的小组件效率达到 23.49%。

更值得强调的是，这套自动化平台把器件制备的可重复性提升到了近 5 倍：手动制备的效率变异系数可达 4.99%，而自动化平台仅为 1.05%。这种高一致性对于生成高质量、可用于持续 AI 训练的数据尤为重要。此外，使用 5ANI 钝化的器件在持续运行 1200 小时后仍能维持初始效率的 98.7%，体现出良好的长期稳定性。

整体逻辑十分清晰：用少量数据训练可解释模型 → 扩展预测大量候选 → 筛选并合成验证 → 通过自动化工艺进行优化。

03 殊途同归:

AI+机器人正在重塑材料科学

两项工作虽然都走向“智能化”，但各自的侧重点不同。前者更倾向全能通用：搭建覆盖合成、制备、表征全流程的通用机器人平台，强调 AI 的机理推断与大规模数据生产；配方语言模型不仅负责给出推荐，还会进行机理层面的推理，把数值信息与语义知识打通，因而具备更强的架构迁移潜力，理论上可拓展到其他材料体系。

后者则更偏向精准研究，围绕界面钝化这一关键环节深耕：从分子构思、模型建立到自动化工艺优化形成完整闭环链条。通过极少实验数据也能获得高精度预测，并把“自动化带来的可重复性提升”首次用量化方式明确到 5 倍这一水平。

尽管策略侧重不同，但两者底层逻辑高度一致：用 AI 取代人类依赖经验的直觉，用机器人替代重复劳动，让科研人员从试错中解脱出来，把精力投入真正的创造性思考。

04 从实验室到产业:

晶泰科技的“AI+自动化”基础设施

香港理工大学团队之所以能实现如此大规模的自动化实验吞吐，离不开晶泰科技提供的自动化基础设施。作为合作伙伴，晶泰科技已经形成了“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

借助智能电解液工作站以及钙钛矿与锂电池制备表征等全流程自动化平台，系统能够实现从固/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。晶泰科技还攻克了球磨、压片等复杂工艺的自动化难题，支持电解液、正极、隔膜以及固态电解质等多材料体系研发。依托数据驱动与智能驱动相结合的模式，研发效率与可重复性显著提升，人力成本被有效降低，也让新能源材料从配方筛选走向电池应用的迭代更快。

05 未来已来:

材料智能的新范式

这两项研究的意义远不止停留在钙钛矿太阳能电池本身。

香港理工大学提出的“配方语言模型”将材料合成参数转译为语义单元，因此具备向锂离子电池、固态电解质、有机发光二极管等多种体系迁移的可能。香港城市大学则在数据稀缺条件下，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取具有物理含义的解析表达式，为更理性的材料设计提供了新的范式。

正如《Nature》论文在标题中所指出的：光伏材料的研发正在步入“自驱动时代”。当 AI 科学家在虚拟空间里穷尽化学空间的每一种可能，当机器人能够 24 小时不间断地合成、制备与表征，材料发现的边界就会以此前所未有的速度被不断推向前方。

而晶泰科技所做的，正是为这场变化提供底层支撑，让每一个实验室、每一家企业都能拥有自己的 AI 科学家与机器人助手。这不仅是钙钛矿太阳能电池的阶段性胜利，也体现了人类与 AI 协同创新的一个缩影。