近日，电子科技大学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教授赵怡程团队在《信息材料》上发表研究论文，报道了国内首个光伏高通量人工智能实验平台。

该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。

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。要素一为自动化高通量平台，用于生成可靠数据；二为统计分析，用于预测、解释和优化；三是智能调度，用于闭环迭代实验；四是大型语言模型（如 ChatGPT 和 DeepSeek），用于构建特定材料的大型模型并生成假设。

通常而言，人的灵感会产生初始实验，然后在要素一、二和三之间进行多次迭代，相关的数据和知识将反馈给要素四，最后形成一个超级大脑，自行产生想法和配方。研究人员表示，这种新模式有望在未来大大加快从材料到器件的创新。

相关论文信息：https://doi.org/10.1002/inf2.70039