用于探索反应推断与合成双钙钛矿纳米片的自主微流控实验

会自我运行的智能实验室

想象一个化学实验室能在你睡觉时自行规划、运行并从实验中学习。该研究展示了这样一个自驱动实验室如何快速发现用于微小发光晶体的更佳配方，这些晶体未来可能用于更高效的显示器、照明和传感器。

为什么微小发光晶体很重要

现代屏幕、太阳能电池和光学传感器依赖于能够以高度可控方式吸收和发射光的材料。胶体纳米晶体是极小的颗粒，其颜色和亮度可以通过改变成分和尺寸来调节。一类较新的材料，称为无铅双钙钛矿纳米片，在提供明亮发光的同时比许多现有选项毒性更低。但要把配方做到位极其困难，因为众多成分和反应条件以复杂、非线性的方式相互作用。

在巨大的配方空间中搜索的挑战

传统化学常常一次改变一个变量，例如烘箱温度或配方中的盐含量。对于这些纳米片来说，至少有七个关键旋钮可调，包括几种金属的用量、溶剂和反应温度。每个旋钮可以取多个数值，从而产生庞大的可能条件景观。手动探索这一空间既缓慢又有可能错过最佳组合。作者着手构建一个系统，能够自动探索该景观、从每次试验中学习并引导自身朝向更明亮、更高效的发光体。

一个会学习的芯片微型实验室

团队创建了PoLARIS，一个微流控平台，反应在流经加热金属板上狭窄通道中的微小液滴内进行。计算机控制的泵注入起始化学品流，这些流被惰性载液切割成均匀液滴。当液滴沿螺旋通道奔跑时，它们被加热并形成纳米片。在下游，内置光学传感器实时记录每个液滴的吸收和发光强度，同时连接云端的计算机记录每一组条件与结果。机器学习模型利用这股数据流来预测哪些新条件可能提高发光效率的代理指标，然后在无人干预下选择下一批实验。

快速找到更好的发光体

PoLARIS从80个广泛分布的初始配方开始，进行了40轮闭环优化，总共测试了约一昼夜内的120种条件。系统稳步将发光效率代理从17%提升到约30%，对纯化样品的后续测量甚至达到45%。模型还触及了诸如最高安全温度和泵运行范围等实际限制，表明它已充分利用了允许的空间。重要的是，自驱动实验室发现的条件可直接转移到更长时间的连续运行中，证明优化的配方具有稳定性和可扩展性。

窥探决策过程

除了找到好配方外，研究者还想理解这些配方为何有效。他们将训练好的机器学习模型视为反应的数字孪生，并使用一种分析工具对每种成分和设置对发光的影响进行排序。结果显示，铯含量、铟加氯化物溶液的用量和反应温度是最重要的杠杆，而其他金属和主要溶剂的影响较小。为验证这些洞见，他们进行了动态流动实验，在实验中平滑地改变一种成分，同时实时观察光信号的变化。逐渐降低铯会使发光变暗并展宽，符合缺陷增多的预期。改变铟加氯化物溶液则表现出一个最佳区间：太少或太多都会损害性能，但中间范围会产生更亮、更窄的发光并减少不想要的相。

这对未来材料意味着什么

通过将芯片上的微型实验室、实时光学读出和学习算法结合，PoLARIS展示了自驱动实验如何既能发现更佳的纳米晶体配方，又能揭示其作用原理。该方法将令人生畏的七维搜索转化为高效、数据丰富的过程，提升了发光并揭示了最关键的成分。由于相同策略可以适配到其他多元素材料，它为更智能、更快速地发现更安全、更高效的能源、显示和传感技术部件提供了一条路径。

引用: 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

关键词: 自驱动实验室, 微流控, 钙钛矿纳米片, 材料发现, 化学中的机器学习