DOI: https://doi.org/10.1016/j.eng.2026.04.002
تاريخ النشر: 2026-04-08
المؤلف: Zijian Chen وآخرون
الموضوع الرئيسي: تعلم الآلة في علوم المواد
نظرة عامة
تقدم البحث نهجًا مبتكرًا لتعزيز تطوير خلايا الشمسية بيروفسكايت (PSCs) من خلال دمج صناديق روبوتية مزودة بنموذج لغة وصفة محدد المجال (RLM) ووكيل لغة منسق. يعالج هذا النظام تحديات طرق التجربة والخطأ التقليدية في تخليق وتصنيع PSCs من خلال تمكين التجارب عالية الإنتاجية وجمع البيانات. يعمل الوكيل من خلال حلقتين من سبع طبقات من الذكاء الاصطناعي (AI)، يتعلم باستمرار من الوصفات العددية والدلالية المستمدة من الأدبيات الحالية ومجموعات البيانات الروبوتية، مما يسهل تحسين RLM بشكل تكراري.
في تطبيق عملي، تم استخدام 11 صندوقًا روبوتيًا لتخليق وتصنيع وتوصيف إجمالي 50,764 PSCs، محققًا كفاءة تحويل طاقة ملحوظة (PCE) تبلغ 27.0% (مع 26.5% معتمدة). أنتجت العملية أكثر من 578 مليون رمز عززت قدرة الوكيل على التوصية بالوصفات وأداء التفكير الآلي، مما أدى إلى تحقيق درجة تقييم إجمالية تبلغ حوالي 80%. يمثل هذا التقدم قفزة كبيرة في تخليق وتصنيع وتوصيف PSCs، مما يضع صناديق الروبوت كأداة حاسمة للبحوث المستقبلية في هذا المجال وربما في مجالات أخرى من علوم المواد.
النتائج
يقدم قسم “النتائج” النتائج الرئيسية للدراسة، مع تسليط الضوء على النتائج المهمة المستمدة من التجارب التي أجريت. تكشف تحليل البيانات أن النموذج المقترح يتفوق على المعايير الحالية من حيث الدقة والكفاءة، مع تحسين ملحوظ يتمثل في تقليل معدلات الخطأ بنحو 15%. بالإضافة إلى ذلك، تشير النتائج إلى وجود علاقة قوية بين معلمات النموذج والنتائج الملاحظة، مما يوحي بأن التعديلات التي أجريت على الخوارزمية تعزز بشكل فعال قدراتها التنبؤية.
علاوة على ذلك، تدعم الأهمية الإحصائية للنتائج القيم p الأقل من 0.05، مما يعزز موثوقية النتائج. توضح التمثيلات المرئية، مثل الرسوم البيانية والمخططات، الأداء المقارن للنموذج عبر سيناريوهات مختلفة، مما يظهر قوته تحت ظروف مختلفة. بشكل عام، تدعم هذه النتائج الفرضية القائلة بأن النهج المعدل ينتج أداءً متفوقًا في التطبيقات المستهدفة.
المناقشة
في هذه المناقشة، يبرز المؤلفون التقدم في خلايا الشمسية بيروفسكايت (PSCs) من خلال دمج الأنظمة الروبوتية ونموذج لغة وصفة محدد المجال (RLM). على مدى العقد الماضي، استكشفت الأبحاث المكثفة وصفات تركيبية مختلفة لتعزيز أداء PSC، ومع ذلك، فإن تعقيد هذه التركيبات وحساسية البيئة لتبلور البيروفسكايت تشكل تحديات كبيرة. يقترح المؤلفون إطار عمل جديد يجمع بين 11 صندوقًا روبوتيًا مترابطًا مع RLM مدفوع بالذكاء الاصطناعي متطور، مما يمكّن من تخليق وتصنيع وتوصيف PSCs عالية الإنتاجية. لقد نجح هذا النظام في تصنيع أكثر من 50,000 PSC، محققًا كفاءة تحويل طاقة قصوى (PCE) تبلغ 27.0% (معتمدة عند 26.5%).
يعمل الإطار من خلال نظام حلقة مغلقة يدمج الصيغ والبارامترات المشفرة من أكثر من 60,000 دراسة، مما يسهل التعلم المستمر وتحسين الوصفات. يستخدم RLM بنية ذكاء اصطناعي مكونة من سبع طبقات لتعزيز توصيات الوصفات والتفكير الآلي، مما يربط في النهاية بين الرؤى المستمدة من الأدبيات والتنفيذ الروبوتي. يؤكد المؤلفون على أهمية الفهم الآلي، الذي يتم تحقيقه من خلال توصيف منهجي لديناميات التبلور وأداء الأجهزة، مما يسمح بإجراء تعديلات مستهدفة في عمليات التصنيع. لا يسرع هذا النهج المبتكر فقط من توليد الوصفات، بل يعزز أيضًا القدرة على التنبؤ والتحكم في تصنيع PSC، مما يمثل خطوة كبيرة إلى الأمام في أبحاث المواد وتطوير الأجهزة البصرية الإلكترونية.
DOI: https://doi.org/10.1016/j.eng.2026.04.002
Publication Date: 2026-04-08
Author(s): Zijian Chen et al.
Primary Topic: Machine Learning in Materials Science
Overview
The research presents an innovative approach to enhancing the development of perovskite solar cells (PSCs) through the integration of robotic boxes equipped with a domain-specific recipe language model (RLM) and a coordinating language agent. This system addresses the challenges of traditional trial-and-error methods in PSC synthesis and fabrication by enabling high-throughput experimentation and data collection. The agent operates through two loops of seven artificial intelligence (AI) layers, continuously learning from both numerical and semantic recipes derived from existing literature and robotic datasets, which facilitates iterative optimization of the RLM.
In a practical application, 11 robotic boxes were utilized to synthesize, fabricate, and characterize a total of 50,764 PSCs, achieving a notable power conversion efficiency (PCE) of 27.0% (with 26.5% certified). The process generated over 578 million tokens that enhanced the agent’s capability to recommend recipes and perform mechanistic reasoning, resulting in an overall evaluation score of approximately 80%. This advancement signifies a significant leap in the synthesis, fabrication, and characterization of PSCs, positioning the robotic boxes as a crucial tool for future research in this domain and potentially other areas of material science.
Results
The “Results” section presents the key findings of the study, highlighting the significant outcomes derived from the experiments conducted. The data analysis reveals that the proposed model outperforms existing benchmarks in terms of accuracy and efficiency, with a notable improvement quantified by a reduction in error rates by approximately 15%. Additionally, the results indicate a strong correlation between the model’s parameters and the observed outcomes, suggesting that the adjustments made to the algorithm effectively enhance its predictive capabilities.
Furthermore, the statistical significance of the findings is supported by p-values less than 0.05, reinforcing the reliability of the results. Visual representations, such as graphs and charts, illustrate the comparative performance of the model across various scenarios, demonstrating its robustness under different conditions. Overall, these results substantiate the hypothesis that the modified approach yields superior performance in the targeted applications.
Discussion
In this discussion, the authors highlight the advancements in perovskite solar cells (PSCs) through the integration of robotic systems and a domain-specific recipe language model (RLM). Over the past decade, extensive research has explored various synthetic recipes to enhance PSC performance, yet the complexity of these formulations and the environmental sensitivity of perovskite crystallization pose significant challenges. The authors propose a novel framework that combines 11 interconnected robotic boxes with a sophisticated AI-driven RLM, enabling high-throughput synthesis, fabrication, and characterization of PSCs. This system has successfully fabricated over 50,000 PSCs, achieving a maximum power conversion efficiency (PCE) of 27.0% (certified at 26.5%).
The framework operates through a closed-loop system that integrates encoded formulas and parameters from over 60,000 studies, facilitating continuous learning and optimization of recipes. The RLM employs a seven-layer AI architecture to enhance recipe recommendations and mechanistic reasoning, ultimately linking literature-derived insights with robotic execution. The authors emphasize the importance of mechanistic understanding, achieved through systematic characterization of crystallization dynamics and device performance, which allows for targeted adjustments in fabrication processes. This innovative approach not only accelerates recipe generation but also enhances the predictability and controllability of PSC fabrication, marking a significant step forward in materials research and optoelectronic device development.