《ACS Energy Letters》：From High-Efficiency Devices to Reproducible Manufacturing: Self-driving Laboratories Are Reshaping Perovskite Photovoltaics
编辑推荐：
随着钙钛矿太阳能电池(PSCs)迈入28%效率时代，该领域必须超越冠军器件指标，转向可重现和可制造的性能。自驱动实验室(Self-driving Laboratories)通过集成自动化制备、高通量表征、机器学习(Machine Learning, ML)引导
随着钙钛矿太阳能电池(PSCs)迈入28%效率时代，该领域必须超越冠军器件指标，转向可重现和可制造的性能。自驱动实验室(Self-driving Laboratories)通过集成自动化制备、高通量表征、机器学习(Machine Learning, ML)引导的决策及闭环优化(Closed-loop Optimization)，为这一转型提供了路径。本视点(Viewpoint)探讨了自主材料与器件加速平台(Autonomous Materials and Devices Acceleration Platforms, AMADAPs)如何将钙钛矿研究从以人为中心的经验发现转向数据驱动的全局优化。文中强调了数字样本护照(Digital Sample Passports)、跨平台验证(Cross-platform Validation)、制造感知学习系统(Manufacturing-aware Learning Systems)、数字孪生(Digital Twins)以及跨越效率、稳定性、重现性、成本、工艺容差及环境影响的多目标优化(Multi-objective Optimization)之必要性。此类自主基础设施有望通过将分子设计、工艺控制、器件制备、表征及模型诠释联结为整体学习框架，定义钙钛矿光伏的下一阶段发展。
论文解读：从高效器件到可重现制造——自驱动实验室重塑钙钛矿光伏
该文为发表于《ACS Energy Letters》的Viewpoint（观点性论文），由研究人员撰写以探讨钙钛矿太阳能电池(Perovskite Solar Cells, PSCs)领域在单结器件效率突破28%后所面临的研究范式转变需求。目前该领域存在的主要问题包括：大量报道的高效率PSCs依赖极窄的工艺窗口(process window)、操作者依赖的经验诀窍(operator-dependent know-how)及实验室特异性配方，导致批次间、不同面积、不同操作者及不同平台间的重现性(reproducibility)差，难以满足工业化可制造性(manufacturability)要求。传统的以追求冠军效率(champion efficiency)为单一目标的经验试错法无法解决工艺传递与放大难题。为此，研究人员提出引入自驱动实验室(Self-driving Laboratories)及自主材料与器件加速平台(AMADAPs, Autonomous Materials and Devices Acceleration Platforms)作为新兴研究基础设施，通过标准化操作、完整元数据记录及闭环学习将材料发现与工艺优化整合进统一系统，旨在从"如何做出冠军器件"转向"如何在可控、可转移、可放大条件下重复生产高性能器件"，并论证了其在量化不确定性、揭示隐藏工艺变量及建立可转移工艺知识方面的价值。
主要关键技术方法概述：
研究人员采用文献综述与概念性案例分析相结合的方法开展论述，重点引证已发表的AMADAPs实例——包括基于SPINBOT自动化平台结合贝叶斯优化(Bayesian Optimization)对空气环境下钙钛矿成膜多维工艺空间进行闭环实验，以及AI引导的有机空穴传输材料(HTMs)逆向设计工作流（整合分子设计、高通量合成、预测建模与器件验证）。此外，文中理论阐述涉及自动化制备与高通量表征系统集成、机器学习(ML)驱动的实验提案与反馈迭代、数字样本护照(Digital Sample Passport)数据结构化架构、多目标优化算法、可解释人工智能(eXplainable AI, XAI)及面向卷对卷(Roll-to-Roll, R2R)工艺的数字孪生(Digital Twin)概念，未涉及具体新材料合成与生物试剂操作。
研究结果：
Beyond Champion Efficiency（超越冠军效率）
研究人员指出，单结PSCs进入28%效率时代后，核心问题变为高性能能否跨批次、面积、操作者、实验室及制造平台重现。近期Zhu等人等自主实验进展的意义在于证明AI驱动自动化系统可将重现性本身作为核心优化目标。研究强调该领域正从"如何制备冠军器件？"转向"如何构建在可控、可转移、可放大条件下反复产出高性能器件的系统？"。自驱动实验室的深层价值在于标准化操作、识别隐藏工艺变量、生成高质量数据集并将实验结果转化为可转移的工艺知识，而非仅加快经验筛选速度。
From AI-Assisted Prediction to Autonomous Acceleration Platforms（从AI辅助预测到自主加速平台）
研究人员梳理AI在钙钛矿光伏中的演进：早期为ML辅助成分筛选与界面设计；进阶为AI引导工作流通过实验反馈迭代修正；最新为生成式AI(Generative AI)与大语言模型(LLM)智能体协调文献挖掘至闭环优化。AMADAPs超越单纯AI引导优化，集成自动材料制备、受控器件制备、高通量表征、ML决策及迭代反馈。以SPINBOT平台结合ML在环境条件下探索六维参数空间为例，贝叶斯优化不仅加速高效器件搜寻，还提升实验一致性并建立工艺参数与器件性能的可靠关联；另以AI引导HTM逆向设计为例说明自主工作流可拓展至材料发现。这指向分子设计、工艺控制、器件制备、表征与模型诠释应无缝整合入整体系统。
From Best Recipes to Robust Process Windows（从最优配方到稳健工艺窗口）
研究人员认为制造可行性取决于工艺对变异的容忍度(Process Tolerance)。工业转化要求优化目标从寻找多维空间中最优点转向绘制其周围稳健工艺窗口(robust process window)——即允许温湿度、基底批次、溶液化学等受控波动而不严重衰减性能的区域。AMADAPs可减少人为变异、追踪多维误差源，将批次间变异量化为优化目标。能重复产出略低峰值效率但窄性能分布器件的工艺比偶尔创纪录但波动大的工艺更具制造价值，重现性是制造就绪度(Manufacturing Readiness)的直接度量。
Process Language, Metadata, and Digital Sample Passports（工艺语言、元数据与数字样本护照）
研究人员指出钙钛矿光伏主要瓶颈是缺乏统一工艺语言(unified process language)及完整元数据。同一标称组分因前驱体处理、基底表面能、温湿度、旋涂/刮刀加速度、反溶剂滴加时刻、退火升温曲线等差异可导致不同薄膜。各样品应携带数字样本护照，记录原材料信息、溶剂纯度、前驱体历史、基底状态、环境参数、沉积程序、表征设置及测试历史，覆盖从原材料到封装及实况稳定性测试全链条。元数据是材料及器件描述的一部分，为ML模型的关键输入；标准化数据架构可实现跨平台学习(Cross-platform Learning)，使一实验室训练的模型可在另一实验室测试或迁移。
Multi-objective Optimization for Manufacturable Perovskites（面向可制造钙钛矿的多目标优化）
研究人员强调需同时优化效率(Power Conversion Efficiency, PCE)、稳定性(Operational Stability)、重现性、成本、毒性、原料可得性、工艺容差、产率及环境影响。自主平台应映射竞争目标间权衡(trade-offs)，如钝化策略提升效率但可能损害长期稳定性。多目标闭环优化使权衡显性化并可实验操作。可解释AI(Explainable AI, XAI)通过特征重要性分析(Feature-importance Analysis)、符号回归(Symbolic Regression)、物理信息建模(Physics-informed Modeling)及不确定性量化(Uncertainty Quantification)将黑箱输出转为关于结晶动力学、缺陷钝化、离子迁移及降解路径的可检验设计规则(Design Rules)。
From Laboratory Automation to Manufacturing-Aware Learning Systems（从实验室自动化到制造感知学习系统）
研究人员指出当前自驱动平台多基于旋涂、小面积基底及受控环境，需衔接可放大涂布与印刷方法（刮刀涂布Blade Coating、狭缝涂布Slot-die Coating、喷涂Spray Coating、喷墨印刷Inkjet Printing及卷对卷R2R Processing），并配备在线计量(In-line Metrology)监测成膜、厚度均一性、结晶动力学及缺陷态。数字孪生(Digital Twin)可桥接实验数据与流体、溶剂挥发、成核、晶体生长及缺陷形成的物理模型（引用MicroFactory研究中R2R启发自动化结合ML与数字孪生之例）。跨平台验证须在不同设备、操作者、材料批次及环境下测试优化程序，若性能崩塌闭环应识别限制转移性的隐藏变量。领域需共享基准配方、参比基底、标准器件堆栈、校准表征协议及通用数据模式(Common Data Schemas)，以可比重现性、数据质量及模型转移性评估自主平台。
Outlook: From Empirical Recipes to Transferable Infrastructure（展望：从经验配方到可转移基础设施）
研究人员总结认为钙钛矿光伏未来取决于能否构建跨材料、平台与尺度反复交付高性能稳定可靠器件的系统。自驱动实验室不仅加速优化，更重新定义实验执行、记录、诠释与转移方式，需集成自动化实验、高通量表征、结构化数据架构、ML决策、不确定性量化及跨平台验证。AMADAPs及相关概念应被视为新兴科研基础设施——联结经验发现与可转移工艺知识、局部优化与稳健制造窗口、高效演示与可靠能源技术，从而定义钙钛矿光伏研究的下一阶段。
研究结论（翻译）：
钙钛矿光伏的未来不仅由下一枚冠军器件决定，而取决于学界能否建立可在材料、平台与尺度间重复产出高性能、稳定、可靠器件的系统。自驱动实验室提供实现此目标的路径——不仅加速优化，更重新定义实验的执行、记录、诠释与转移方式。此类基础设施需包含若干互联模块：自动化实验、高通量表征、结构化数据架构、基于ML的决策、不确定性量化及跨平台验证。该领域未来的引领者将不仅是配方发明者，更是能将自动化、高质量数据、可解释模型、稳健工艺窗口及可放大制造协议整合为统一研究系统的团队。AMADAPs及自驱动实验室概念应被视为新兴科研基础设施，通过联结经验发现与可转移工艺知识、局部优化与稳健制造窗口、高效演示与可靠能源技术，界定钙钛矿光伏研究的下一发展阶段。
