Autonom mikrofluidisk experimentering för att utforska reaktionsinlärning och syntetisera dubbla perovskit-nanoplattor

Smarta laboratorier som sköter sig själva

Föreställ dig ett kemilaboratorium som kan planera, genomföra och lära av sina egna experiment medan du sover. Denna studie visar hur ett sådant självstyrande laboratorium snabbt kan hitta bättre recept för små ljusemitterande kristaller som en dag kan driva mer effektiva skärmar, belysning och sensorer.

Varför små lysande kristaller spelar roll

Moderna skärmar, solceller och optiska sensorer förlitar sig på material som kan absorbera och avge ljus på mycket kontrollerade sätt. Kolloidala nanokristaller är extremt små partiklar vars färg och ljusstyrka kan justeras genom att ändra ingredienser och storlek. En nyare familj av dessa material, kallad blyfria dubbla perovskit-nanoplattor, erbjuder stark ljusutstrålning med lägre toxicitet än många nuvarande alternativ. Men att få receptet rätt är mycket svårt eftersom många ingredienser och reaktionsvillkor samverkar på komplexa, icke-linjära sätt.

Utmaningen att söka i ett enormt receptutrymme

Traditionell kemi ändrar ofta en variabel i taget, som ugnstemperatur eller salts innehåll i ett recept. För dessa nanoplattor finns det minst sju viktiga rattar att vrida, inklusive mängder av flera metaller, lösningsmedel och reaktionstemperatur. Varje ratt kan anta många värden, vilket skapar ett enormt landskap av möjliga villkor. Att manuellt utforska detta utrymme är långsamt och riskerar att missa de bästa kombinationerna. Författarna satte upp att bygga ett system som automatiskt kunde utforska detta landskap, lära av varje prov och styra sig själv mot ljusstarkare, mer effektiva ljusemittenter.

Ett mikrolabb på ett chip som lär sig

Teamet skapade PoLARIS, en mikrofluidisk plattform där reaktioner sker inne i små droppar som flyter genom tunna kanaler på en uppvärmd metallplatta. Datorstyrda pumpar matar in strömmar av startkemikalier, vilka hackas upp i enhetliga droppar av en inert bärare. När dessa droppar rusar genom en spiralformad kanal värms de upp och nanoplattorna bildas. Nedströms registrerar inbyggda optiska sensorer i realtid hur starkt varje dropp absorberar och avger ljus, medan en molnansluten dator loggar varje villkor och resultat. En maskininlärningsmodell använder denna datastream för att förutsäga vilka nya villkor som sannolikt förbättrar en proxy för ljusemissions-effektivitet och väljer sedan nästa omgång experiment utan mänsklig inblandning.

Att hitta bättre ljusemittenter snabbt

Med start från 80 brett spridda initiala recept körde PoLARIS 40 rundor av sluten optimering och testade totalt 120 villkor under ungefär en halv dag. Systemet ökade stadigt proxyn för ljusemissions-effektivitet från 17 procent till omkring 30 procent, och uppföljande mätningar på renade prover nådde 45 procent. Modellen stötte också på praktiska gränser såsom maximal säker temperatur och pumpräckvidder, vilket visade att den utnyttjat det tillåtna utrymmet fullt ut. Viktigt är att villkoren som upptäcktes av det självstyrande laboratoriet kunde överföras direkt till längre kontinuerliga körningar, vilket bevisar att det optimerade receptet var stabilt och skalbart.

Ett smakprov av beslutsprocessen

Utöver att hitta bra recept ville forskarna förstå varför de fungerade. De behandlade den tränade maskininlärningsmodellen som en digital tvilling av reaktionen och använde ett analyst verktyg som rangordnar hur mycket varje ingrediens och inställning påverkar ljusutbytet. Detta avslöjade att cesiuminnehållet, mängden av en indium-plus-kloridlösning och reaktionstemperaturen var de viktigaste spakarna, medan andra metaller och huvudlösningsmedlet spelade mindre roller. För att testa dessa insikter utförde de dynamiska flödesexperiment där de smidigt varierade en ingrediens samtidigt som de observerade ljussignalen i realtid. Att sänka cesiumgradvis dämpade och breddade utsläppet, i linje med fler defekter. Att ändra indium-plus-kloridlösningen visade en optimal punkt: för lite eller för mycket försämrade prestandan, medan ett mellanspann gav ljusstarkare, smalare utsläpp och färre oönskade faser.

Vad detta betyder för framtida material

Genom att kombinera ett mikrolabb på ett chip, realtids optisk avläsning och inlärningsalgoritmer visar PoLARIS hur självstyrande experiment både kan upptäcka bättre recept för nanokristaller och avslöja varför de fungerar. Tillvägagångssättet förvandlade en skrämmande sjudimensionell sökning till en effektiv, datafylld process som förbättrade ljusutstrålningen och avslöjade vilka ingredienser som spelar störst roll. Eftersom samma strategi kan anpassas till andra multielementmaterial ger den en väg mot smartare, snabbare upptäckt av säkrare och mer effektiva komponenter för framtida energiteknik, bildskärmar och sensorer.

Citering: 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

Nyckelord: självstyrande laboratorium, mikrofluidik, perovskit-nanoplattor, materialupptäckt, maskininlärning i kemi