实验室李宁教授团队：钙钛矿光伏器件中基于物理学的闭环优化和可解释的工艺洞察
钙钛矿薄膜性能受前驱体组成、旋涂、反溶剂和退火等多种工艺参数协同影响，传统经验试错难以高效探索复杂高维空间。机器学习虽可提升优化效率，但往往缺乏物理可解释性。因此，如何兼顾高效工艺搜索与物理规律提取，是推动钙钛矿光伏从经验试错走向数据驱动研究的重要问题。
近日，华南理工大学李宁教授团队构建了一套物理可解释的钙钛矿光伏闭环自主优化平台，将机器人自动制备、高通量光物理表征、贝叶斯优化与可解释机器学习相结合，实现了高维钙钛矿制备工艺的快速优化，并进一步从数据中提取工艺参数、结晶过程与载流子复合行为之间的关联，为钙钛矿光伏从经验试错向数据驱动和可解释工艺设计转变提供了新的研究范式。
钙钛矿薄膜形成涉及溶液流动、溶剂挥发、成核结晶、中间相转变和热退火等多个连续且相互耦合的过程，使不同工艺参数之间存在显著的非线性关联。针对这一问题，研究团队建立了自动化制备-表征-算法决策闭环，以载流子有效寿命（τeff）和光致发光量子效率（PLQY）作为反映非辐射复合损失的关键光物理目标，在包含前驱体浓度、MACl 添加量、多阶段旋涂、反溶剂处理及退火条件等参数的十维工艺空间中开展贝叶斯优化。对于FAPbI3体系，闭环平台仅经过约40组迭代即可在高维空间中快速定位高质量工艺区域，获得有效载流子寿命达1.74 μs、PLQY 达45.1%的钙钛矿薄膜，并实现24.82%的器件光电转换效率。进一步将所建立的方法迁移至FA0.95Cs0.05PbI3 体系后，器件最高效率达到26.53%，表明该框架具有一定的跨材料体系迁移能力。区别于仅追求最优参数组合的传统“黑箱”优化，该研究进一步结合参数相关性分析和可解释机器学习，对闭环实验数据进行物理解析。结合结构与光谱表征，研究建立了从“工艺参数-薄膜形成-载流子复合”的可解释关联，使自主实验平台不仅能够寻找最优工艺，还能够从实验数据中提炼可用于后续材料设计优化的物理规律。
相关研究成果以“Physics-interpretedclosed-loop optimization and interpretable process insight in perovskitephotovoltaics”为题发表在Energy &Environmental Science上，其中通讯作者为李宁教授、孟伟博士、毛霖研究员，第一作者为熊梓余博士生。该研究工作得到了国家自然科学基金会（52394273和52373179）、TCL科技创新基金（20242065）、中国教育部基础与交叉学科突破规划（JYB2025XDXM410）、中国博士后科学基金会博士后项目（GZB20240229）和中国博士后科学基金（2025M770101）等科研项目的资助。
