多智能体人工智能驱动的钙钛矿太阳能电池自主设计

《The Innovation》：Multi-agent AI toward autonomous design of perovskite solar cells

　　

摘要专业翻译 金属卤化物钙钛矿太阳能电池（PSCs）因其优异的光电性质以及与低温溶液加工的兼容性，在过去十年中引起了广泛关注。随着经认证的单结PSC效率现已达到28.0%，进一步的发展不仅依赖于效率提升，更取决于运行稳定性的改善。与功率转换效率不同，运行稳定性受多种退化过程支配，这些过程在热、电和光照应力下演化，使得整体优化更具挑战性。这种复杂性激发了人们对利用人工智能（AI）进行材料发现和光伏工程日益浓厚的兴趣。特别是，能够跨多个功能层整合知识的AI辅助方法，正在成为下一代钙钛矿光伏的重要发展方向。

论文解读

一、研究背景与问题

金属卤化物钙钛矿太阳能电池（PSCs）凭借其优异的光电特性和低温溶液加工兼容性，在过去十年间发展迅速。目前经认证的单结PSC效率已达28.0%，然而进一步的发展瓶颈已从效率提升转向运行稳定性的改善。与功率转换效率这一单一指标不同，运行稳定性受热、电、光照等多种应力条件下多个退化过程的共同支配，这使得整体优化远比追求效率更为复杂。这种多因素耦合的复杂性，推动了人工智能（AI）在材料发现和光伏工程领域的日益广泛的应用。

当前大多数AI辅助的PSC研究仍依赖预测性机器学习（ML）模型来优化单一材料或界面。这些方法虽显著加速了有前景的钙钛矿组分、电荷传输材料和界面修饰剂的发现，但普遍将每个功能层视为独立的优化目标，忽视了吸收层化学、传输层、埋底界面及整体器件架构之间的强耦合关系。其结果是，当多种退化路径相互作用时，针对单一组件的改进往往无法转化为最优的器件性能。例如，具有减少体缺陷的钙钛矿组分可能与特定传输层不兼容；增强电荷提取的界面修饰可能损害长期热稳定性或紫外稳定性；抑制一种退化途径也可能因改变界面能级或离子迁移而无意中加速另一种退化。这些权衡反映了PSC退化过程固有的耦合特性，凸显了孤立优化的局限性。因此，实现耐久的PSC需要在多个功能层之间进行协同设计，而非对单个组件进行顺序优化。

二、研究内容与核心框架

针对上述问题，研究人员开发了一种基于大语言模型（LLM）的多智能体系统，用于PSC的协同设计。该框架的核心创新不在于使用多个AI智能体本身，而在于其将异构科学知识组织为协同推理过程的能力。与依赖预定义描述符和数据集预测特定材料性能的传统ML方法不同，该框架将文献分析、数值建模和分子设计统一于一个推理过程中，使AI能够超越任务特定的预测，迈向科学推理，为AI辅助的假说生成和复杂材料发现奠定了基础。

该框架由数据策展智能体、中央推理智能体和多个专业智能体组成。数据智能体从非结构化科学文献中提取并结构化知识，为后续推理提供知识库；中央推理智能体整合不同来源的信息，识别关键稳定性挑战，并将复杂的设计问题分解为具体的优化任务；随后这些任务被分配给专业智能体，包括负责吸收层组分定量优化的组分智能体和负责分子界面设计的界面智能体，从而实现光伏器件设计不同方面的协同优化。该框架还通过检索增强生成（RAG）技术支持知识的动态扩展与更新，使知识库能够随着新文献和实验结果的产生而逐步扩充和精炼。

三、关键技术方法

研究人员主要采用了以下几项关键技术方法：其一，构建了基于大语言模型（LLM）的多智能体协作推理框架，包括数据策展智能体、中央推理智能体和专业智能体（组分优化与界面设计）；其二，采用检索增强生成（RAG）技术，以策展的文献数据集作为信息检索池，支持智能体推理；其三，使用高斯过程回归（GPR）进行钙钛矿组分优化；其四，通过分子设计策略进行界面工程，设计紫外稳定的自组装单分子层材料。

四、研究结果

孤立优化的局限性。 通过分析现有AI辅助PSC研究的范式，研究人员指出大多数方法将各功能层作为独立优化目标，忽视了吸收层化学、传输层、埋底界面与器件架构之间的强耦合关系，导致单一组件的改进往往无法转化为最优器件性能。

协同推理框架的建立。 研究人员开发了基于LLM的多智能体系统，将文献分析、数值建模和分子设计统一于协同推理过程中，使AI能够整合异构科学知识，识别关键问题并平衡竞争性目标，实现从任务特定预测向科学推理的跨越。

器件协同设计的实验验证。 组分智能体通过数据驱动优化探索了FA-Cs组分空间，确定了最优吸收层组分FA_0.92Cs_0.08PbI₃；界面智能体从文献中提取构效关系，设计了紫外稳定的自组装单分子层MeO-DPPACz，与广泛使用的MeO-2PACz相比，该分子在保持有利能级排列的同时展现出增强的紫外稳定性。中央智能体进一步将优化组分与双面原子层沉积Al₂O₃夹层整合为完整的倒置（p-i-n）PSC架构。最终器件实现了25.0%的初始效率，并在100°C、1个太阳光照下连续最大功率点追踪运行1000小时后，仍保持初始效率的97%以上。

知识演化式发现。 该框架的重要特征在于支持知识演化的材料发现，知识库可随新文献和实验结果的积累而逐步扩展和精炼。通过将文献洞见、计算预测和实验反馈整合于统一工作流中，该框架指向了更动态的AI辅助发现模式。但研究人员也指出，知识积累不应等同于知识可靠性，新提取的信息可能包含错误，需要经过验证后才能纳入后续推理。

五、讨论与结论

研究人员指出，该工作最重要的贡献超越了热稳定PSC的演示本身，而在于提供了一个知识演化式材料发现的框架蓝图。未来将多智能体推理与自动化实验、高通量表征和智能实验室平台相结合，可形成材料发现的闭环范式，使假说生成、实验验证、知识获取和设计精炼在统一研究流程中持续进行。在光伏领域，该策略对叠层太阳能电池尤为有前景，因为其中吸收层带隙、复合层、电流匹配和光学管理需要同时优化。超越光伏领域，钙钛矿发光二极管、光电探测器及其他新兴光电器件也面临材料、界面和器件架构之间强耦合的类似挑战。

研究结论可概括为：通过整合文献衍生洞见、计算预测和实验反馈于统一工作流中，该框架为AI辅助的复杂材料发现提供了新范式。材料发现本质上是涉及假说生成、实验验证和知识精炼的迭代过程，使AI系统能够随时间积累和重组科学知识，最终可能将AI从静态计算工具转变为材料创新的持续学习伙伴。该研究发表于《The Innovation》。