Autonome mikrofluidische Experimente zur Erforschung von Reaktionsschlüssen und Synthese von doppelten Perowskit-Nanoplättchen

Intelligente Labore, die sich selbst betreiben

Stellen Sie sich ein Chemielabor vor, das seine eigenen Experimente planen, durchführen und daraus lernen kann, während Sie schlafen. Diese Studie zeigt, wie ein solches selbststeuerndes Labor schnell bessere Rezepte für winzige, lichtemittierende Kristalle finden kann, die eines Tages effizientere Bildschirme, Beleuchtung und Sensoren ermöglichen könnten.

Warum winzige leuchtende Kristalle wichtig sind

Moderne Bildschirme, Solarzellen und optische Sensoren beruhen auf Materialien, die Licht sehr gezielt absorbieren und emittieren können. Kolloidale Nanokristalle sind winzig kleine Partikel, deren Farbe und Helligkeit sich durch Änderung der Zusammensetzung und Größe einstellen lassen. Eine neuere Familie dieser Materialien, sogenannte bleifreie doppelte Perowskit-Nanoplättchen, bietet helle Lichtemission bei geringerer Toxizität als viele derzeitige Optionen. Das richtige Rezept zu finden ist jedoch extrem schwierig, weil viele Zutaten und Reaktionsbedingungen auf komplexe, nichtlineare Weise miteinander interagieren.

Die Herausforderung, einen riesigen Rezeptraum zu durchsuchen

Traditionelle Chemie variiert oft eine Größe nach der anderen, wie Ofentemperatur oder Salzgehalt in einem Rezept. Für diese Nanoplättchen gibt es mindestens sieben wichtige Stellschrauben, darunter die Anteile verschiedener Metalle, das Lösungsmittel und die Reaktionstemperatur. Jede Stellschraube kann viele Werte annehmen und erzeugt so eine enorme Landschaft möglicher Bedingungen. Diese manuell zu erkunden ist langsam und birgt das Risiko, die besten Kombinationen zu übersehen. Die Autoren wollten ein System bauen, das diesen Raum automatisch erkundet, aus jedem Versuch lernt und sich selbst zu helleren, effizienteren Lichtemittenten steuert.

Ein Mikro-Labor auf einem Chip, das lernt

Das Team entwickelte PoLARIS, eine mikrofluidische Plattform, in der Reaktionen in winzigen Tropfen stattfinden, die durch dünne Kanäle auf einer beheizten Metallplatte strömen. Computergesteuerte Pumpen speisen Ströme von Ausgangschemikalien ein, die durch eine inerte Trägerflüssigkeit zu gleichmäßigen Tropfen zerteilt werden. Während diese Tropfen durch einen Spiral-Kanal rasen, erwärmen sie sich und die Nanoplättchen bilden sich. Flussabwärts zeichnen integrierte optische Sensoren in Echtzeit auf, wie stark jeder Tropfen Licht absorbiert und emittiert, während ein cloudverbundener Computer jede Bedingung und jedes Ergebnis protokolliert. Ein Modell des maschinellen Lernens nutzt diesen Datenstrom, um vorherzusagen, welche neuen Bedingungen wahrscheinlich einen Proxy für Lichtemissionseffizienz verbessern, und wählt dann die nächste Versuchsserie ohne menschliches Eingreifen aus.

Schnell bessere Lichtemittenten finden

Ausgehend von 80 breit gestreuten Anfangsrezepten führte PoLARIS 40 Runden geschlossener Optimierung durch und testete insgesamt 120 Bedingungen in etwa einem halben Tag. Das System steigerte den Proxy für Lichtemissionseffizienz kontinuierlich von 17 Prozent auf rund 30 Prozent, und Folge-Messungen an gereinigten Proben erreichten 45 Prozent. Das Modell stieß auch auf praktische Grenzen wie maximale sichere Temperatur- und Pumpbereiche, was zeigt, dass es den erlaubten Raum vollständig ausgenutzt hatte. Wichtig ist, dass die vom selbstfahrenden Labor entdeckten Bedingungen direkt auf längere kontinuierliche Läufe übertragbar waren, was beweist, dass das optimierte Rezept stabil und skalierbar war.

Einblick in die Entscheidungsfindung

Über das Auffinden guter Rezepte hinaus wollten die Forschenden verstehen, warum diese funktionierten. Sie behandelten das trainierte ML-Modell als digitalen Zwilling der Reaktion und nutzten ein Analysetool, das rankt, wie stark jede Zutat und Einstellung die Lichtausbeute beeinflusst. Das zeigte, dass der Cäsiumgehalt, die Menge einer Indium-plus-Chlorid-Lösung und die Reaktionstemperatur die wichtigsten Hebel waren, während andere Metalle und das Hauptlösungmittel kleinere Rollen spielten. Um diese Erkenntnisse zu prüfen, führten sie dynamische Fluss-Experimente durch, bei denen sie eine Zutat gleitend variierten und das Lichtsignal in Echtzeit beobachteten. Eine schrittweise Verringerung des Cäsiums dämpfte und verbreiterte die Emission, konsistent mit mehr Defekten. Die Veränderung der Indium-plus-Chlorid-Lösung zeigte einen Sweetspot: Zu wenig oder zu viel schadete der Leistung, während ein mittlerer Bereich zu hellerer, schmalerer Emission und weniger unerwünschten Phasen führte.

Was das für zukünftige Materialien bedeutet

Indem ein Mikro-Labor auf einem Chip, Echtzeit-Optikauslesung und Lernalgorithmen kombiniert wurden, zeigt PoLARIS, wie selbststeuernde Experimente sowohl bessere Nanokristall-Rezepte entdecken als auch erklären können, warum sie funktionieren. Der Ansatz verwandelte eine abschreckende sieben-dimensionale Suche in einen effizienten, datenreichen Prozess, der die Lichtemission verbesserte und aufdeckte, welche Zutaten am wichtigsten sind. Da die gleiche Strategie auf andere mehrkomponentige Materialien übertragbar ist, bietet sie einen Weg zu intelligenterer, schnelleren Entdeckung sichererer und effizienterer Komponenten für zukünftige Energie-, Anzeige- und Sensortechnologien.

Zitation: Li, J., Delgado-Licona, F., Liu, Z. et al. Autonomous microfluidic experimentation for exploring reaction inference and synthesizing double perovskite nanoplatelets. Nat Commun 17, 4514 (2026). https://doi.org/10.1038/s41467-026-72765-2

Schlüsselwörter: selbstfahrendes labor, mikrofluidik, perowskit-nanoplättchen, Materialentdeckung, maschinelles Lernen in der Chemie