材料筛选、实验设计、器件制备、性能测试，再根据实验结果调整下一轮参数——过去，这一过程高度依赖研究人员的经验和大量重复实验。如今，机器学习和实验自动化正在尝试把这些环节连接起来。2026年4月，香港城市大学朱宗龙、曾晓成团队联合剑桥大学在《自然》发表研究，构建了一套机器学习与自动化制造相结合的闭环研发系统。研究团队利用这套平台完成材料筛选、工艺优化和器件制备，最终获得了光电转换效率达到27.22%的钙钛矿太阳能电池（1）研究显示，自动化平台的效率可重复性接近传统人工制备的5倍。对于仍处于产业化推进阶段的钙钛矿光伏而言，这一点尤其重要。
钙钛矿器件的性能对材料配方、环境湿度、旋涂条件、退火温度、时间以及界面处理等参数都十分敏感。实验过程中任何一个变量发生变化，都可能影响最终结果。传统研发通常依赖研究人员逐步调整参数：改变配方、制备薄膜、完成测试，再根据结果决定下一步实验。
玄刃钙钛矿太阳能电池制备平台承接大模型输出的万种候选材料，完成溶液配置、旋涂、退火和器件表征等操作验证，反馈实验标准化实验参数数据以及元数据，重新进入大模型算法，整个过程形成”接收候选方案 → 自动执行实验 → 获取实验数据 → 数据反馈模型“循环：
夹取FTO玻璃基底（模块可拓展）
旋涂模块
退火模块（可拓展）
μL级精准制备：移液量程 0.5–1000 μL，DMSO 等有机溶剂校准后，移液变异系数 CV＜0.5%，保证前驱液、反溶剂用量高度稳定；
分步旋涂模块：转速 100–10000 rpm，转速精度 1 rpm，精准复现低速铺膜、高速流体薄化工艺；
退火温度分辨率 1 K，可批量转运基底完成热处理；
在线光学检测仪自动化完成初筛分级；
Figures展示了香港城市大学团队的自动化平台，通过优化制备工艺和引入ML筛选的钝化分子后，所获得器件的光伏性能、可重复性及稳定性（1）
当然，自动化和机器学习并不会自动解决所有研发问题。另一项基于11,587个器件、25轮优化迭代的研究发现，在特定实验条件下，贝叶斯优化与随机搜索最终获得的性能差异并不明显，分别为7.69%和7.66%。（2）相比算法本身，环境湿度等实验条件反而对结果产生了更显著的影响。这说明，自驱动实验室真正困难的部分，并不只是选择一个更复杂的优化算法。制备平台的稳定性、环境控制、实验标准化、数据质量以及不同设备之间的数据接口，都直接决定了闭环优化是否有效。
当材料设计、自动化实验、在线表征和数据分析真正形成连续的数据链路之后，材料研发的效率才可能出现更明显的提升。
References：
(1)Gao,D.,Lu,S., Zhang, C._et al._ Autonomous closed-loop framework for reproducible perovskite solar cells. Nature (2026)
(2)Leonard Ng Wei Tat. et al. Self-Driving Laboratories as Engines for Next-Generation Photovoltaic Innovation: From High-Throughput Roll-to-Roll Optimization to Autonomous Discovery.