AI必须连接钙钛矿太阳能电池研究的完整周期

人工智能正在帮助研究人员改进钙钛矿太阳能电池，但其优势仍主要局限于模型所训练的特定系统。《Nature Reviews Electrical Engineering》发表的一项分析称，若要取得更广泛的进展，就必须将AI工具贯穿整个研究周期，而不是依赖彼此孤立的预测或优化任务。

卤化物钙钛矿之所以对太阳能技术具有吸引力，是因为其光学和电子特性可以调节，同时制造成本可能较低。然而，要将这些优势转化为工业化应用并不容易。电池的表现取决于一系列相互关联的选择：材料成分会影响加工过程，加工过程塑造最终的微观结构，而微观结构又会影响器件性能。

由于这些因素彼此作用，在一种材料体系或制造环境中找到的解决方案，可能并不适用于成分、制备条件或器件架构发生变化的情况。因此，挑战并不只是找出某个参数的最佳数值，而是理解并管理一系列跨越技术不同阶段和尺度的依赖关系。

AI已经在哪些方面发挥作用

如今，AI已应用于钙钛矿太阳能电池研究的四个主要环节：材料发现、器件工程、制造工艺改进以及稳定性研究。在数据充足的情况下，模型可以识别其中的关系，并加快优化过程。这能够减少在既定研究问题中筛选各种可能选项所需的工作量。

不过，这些收益并不均衡。一个模型在某种材料和工艺组合下表现良好，并不意味着它在另一种组合下也能发挥同样的作用。而且，强大的预测能力并不一定能够揭示造成观测结果的机制。该分析称，与其在不同成分、架构或运行条件下产生仍然有用的洞见，当前系统更擅长在熟悉且数据丰富的条件中寻找相关性。

这一差距之所以重要，是因为钙钛矿太阳能电池并非由彼此独立的变量决定。成分的变化可能影响加工过程；加工过程的变化可能改变材料结构；结构变化则可能影响性能和可靠性。如果AI将每个阶段都视为独立任务，就可能丢失一些信息，而这些信息或许决定了一项改进能否超越原始实验得到推广。

更广泛发挥影响的四大障碍

该分析确定了四个反复出现的结构性问题。第一，相关信息彼此割裂，数据集也难以直接互操作。因此，在研究过程不同环节产生的结果可能难以整合，从而限制模型从这些结果的联合分析中学到的内容。

第二，模型往往难以在不同系统之间实现良好泛化。从一组成分、制造环境或器件设计中学到的模式，并不会自动适用于另一种组合。这限制了AI在训练数据所代表条件之外的价值。

第三，许多模型的可解释性有限，物理基础也不够扎实。预测即使有用，也可能无法解释其产生的原因；但如果缺乏与底层行为的清晰联系，就更难判断该结果是否适用于新的环境。这也限制了从中提取基于机制的知识，而这些知识本可以指导未来的研究。

第四个问题，是AI被要求优化的目标与实际设计所受约束之间存在不匹配。模型或许能够改善某个选定目标，却没有考虑一项可运行的太阳能电池技术所需满足的更广泛要求。文章认为，这些困难是研究结构彼此关联的特征，并不意味着仅靠更好的算法就能解决问题。

从独立模型走向一体化流程

文章提出的应对方式，是建设能够连接整个领域信息与反馈的研究基础设施。多模态、多层级的数据集可以汇集不同阶段产生的各种证据。融入物理学知识且具备可解释性的模型，能够使预测与其拟代表的行为更加紧密地联系起来，同时也更便于评估其推理过程。

该分析还指出了闭环系统的作用：在这类系统中，AI预测会与实验反馈相连接。在这样的流程里，实验结果不只是对模型进行最终检验；它们还可以帮助更新系统，并为后续选择提供依据。这样一来，知识就能够被延续下去，而不是留在一次单独的优化活动之中。

其目标是从面向具体任务的预测转向系统层面的AI。在这种方法下，来自材料发现、器件工程、加工和稳定性分析的信息将被持续传递、修订和重复利用。AI将成为一个综合项目的一部分，用于发现材料、改进器件并评估可靠性。

对于钙钛矿光伏而言，其意义在于可迁移性。在某一狭窄领域内加快优化固然有用，但工业进步需要能够应对成分、制造条件和器件架构之间相互关联决策的方法。《Nature》的分析认为，AI要发挥这一更广泛的作用，取决于在整个研究周期中保留知识，而不仅仅是提高单个模型的准确性。