Autonome microfluïdische experimenten voor het verkennen van reactie-inferentie en het synthetiseren van dubbele perovskiet-nanoplaatjes

Slimme laboratoria die zichzelf draaien

Stel je een scheikundelab voor dat zijn eigen experimenten kan plannen, uitvoeren en ervan kan leren terwijl jij slaapt. Deze studie laat zien hoe zo'n zelfsturend lab snel betere recepten kan vinden voor piepkleine lichtgevende kristallen die op termijn efficiëntere beeldschermen, verlichting en sensoren kunnen aandrijven.

Waarom piepkleine lichtgevende kristallen ertoe doen

Moderne schermen, zonnecellen en optische sensoren vertrouwen op materialen die licht op zeer gecontroleerde manieren kunnen absorberen en uitzenden. Colloïdale nanokristallen zijn extreem kleine deeltjes waarvan kleur en helderheid kunnen worden afgestemd door ingrediënten en grootte te variëren. Een nieuwere familie van deze materialen, zogenaamde loodvrije dubbele perovskiet-nanoplaatjes, biedt felle lichtemissie met lagere toxiciteit dan veel huidige opties. Maar het juiste recept vinden is buitengewoon moeilijk omdat veel ingrediënten en reactiestanden op complexe, niet-lineaire manieren met elkaar interfereren.

De uitdaging van het doorzoeken van een enorme receptruimte

Traditionele scheikunde verandert vaak één variabele tegelijk, zoals oventemperatuur of zoutgehalte in een recept. Voor deze nanoplaatjes zijn er minstens zeven cruciale knoppen om aan te draaien, waaronder de hoeveelheden van meerdere metalen, het oplosmiddel en de reactietemperatuur. Elke knop kan vele waarden aannemen, wat een uitgestrekt landschap van mogelijke condities creëert. Handmatig deze ruimte verkennen is traag en loopt het risico de beste combinaties te missen. De auteurs wilden een systeem bouwen dat deze ruimte automatisch kan verkennen, van elke proef kan leren en zichzelf kan sturen naar helderdere, efficiëntere lichtemittenten.

Een micro-lab op een chip dat leert

Het team ontwikkelde PoLARIS, een microfluïdisch platform waar reacties plaatsvinden in kleine druppels die door dunne kanalen op een verwarmde metalen plaat stromen. Computergestuurde pompen voeren stromen van uitgangschemieën toe, die door een inert dragervloeistof in uniforme druppels worden gehakt. Terwijl deze druppels door een spiraalkanaal razen, warmen ze op en vormen de nanoplaatjes zich. Stroomafwaarts registreren ingebouwde optische sensoren in realtime hoe sterk elke druppel licht absorbeert en uitzendt, terwijl een met de cloud verbonden computer elke conditie en uitkomst logt. Een machine learning-model gebruikt deze datastroom om te voorspellen welke nieuwe condities waarschijnlijk een proxy voor lichtemissie-efficiëntie zullen verbeteren en selecteert vervolgens de volgende reeks experimenten zonder menselijke tussenkomst.

Snel betere lichtemittenten vinden

Vertrekkend vanuit 80 breed verspreide initiële recepten, draaide PoLARIS 40 rondes van gesloten-lusoptimalisatie en testte in totaal 120 condities in ongeveer een halve dag. Het systeem verhoogde de proxy voor lichtemissie-efficiëntie gestaag van 17 procent naar ongeveer 30 procent, en vervolgmetingen op gezuiverde monsters bereikten 45 procent. Het model stuitte ook op praktische grenzen zoals maximale veilige temperatuur en pompranges, wat aantoonde dat het de toegestane ruimte volledig had benut. Belangrijk is dat de door het zelfsturende lab ontdekte condities direct konden worden overgezet naar langere continue runs, wat bewijst dat het geoptimaliseerde recept stabiel en schaalbaar was.

In de besluitvorming kijken

Naast het vinden van goede recepten wilden de onderzoekers begrijpen waarom ze werkten. Ze behandelden het getrainde machine learning-model als een digitaal tweeling van de reactie en gebruikten een analysetool die rangschikt hoeveel elk ingrediënt en elke instelling de lichtoutput beïnvloedt. Dit toonde aan dat het cesiumgehalte, de hoeveelheid van een indium-plus-chloride-oplossing en de reactietemperatuur de belangrijkste hefbomen waren, terwijl andere metalen en het hoofdoplosmiddel kleinere rollen speelden. Om deze inzichten te testen, voerden ze dynamische flow-experimenten uit waarbij ze één ingrediënt geleidelijk varieerden terwijl ze het lichtsignaal in realtime observeerden. Het geleidelijk verlagen van cesium dimde en verbreedde de emissie, consistent met meer defecten. Het veranderen van de indium-plus-chloride-oplossing toonde een sweet spot: te weinig of te veel schaadde de prestaties, maar een middensegment leidde tot helderdere, smallere emissie en minder ongewenste fasen.

Wat dit betekent voor toekomstige materialen

Door een micro-lab op een chip, realtime optische uitlezing en leeralgoritmen te combineren, laat PoLARIS zien hoe zelfsturende experimenten zowel betere nanokristalrecepten kunnen ontdekken als kunnen onthullen waarom ze werken. De aanpak veranderde een ontmoedigende zeven-dimensionale zoekopdracht in een efficiênt, datarijk proces dat de lichtemissie verbeterde en onthulde welke ingrediënten het meest van belang zijn. Omdat dezelfde strategie kan worden aangepast aan andere meercomponentmaterialen, biedt het een pad naar slimmere, snellere ontdekking van veiligere en efficiëntere componenten voor toekomstige energie-, beeldscherm- en sensortechnologieën.

Bronvermelding: 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

Trefwoorden: zelfsturend lab, microfluïdica, perovskiet-nanoplaatjes, materiaalontdekking, machine learning in scheikunde