KNOWLEDGE CENTER
从算法、表征、软件、制备到自主实验闭环，了解材料研发中的关键问题。
一种新材料的商业化至少需要经历研发、中试、量产三个阶段。高通量实验工作站主要服务于第一个阶段，自动化产线主要服务于第三个阶段。
因此，两者的目标明显不同：高通量实验平台追求“变”，自动化产线追求“不变”。两者的价值也不同：高通量实验平台用于降低新材料的研发成本和研发周期；自动化产线用于降低生产成本、提升产品良率。
在技术架构上，高通量实验平台需要在硬件层面集成一系列灵活可调的模块；在软件层面依赖智能调度与控制系统，以快速、精准地执行高通量实验；在数据层面部署智能谱图解析、AI 建模、解读、优化与重构等算法，实现性能早期预测与构效关系解读。自动化产线则更多聚焦于固定流程的稳定运行。
主要有 4 个核心指标：通量、掉片率、重复性、故障率。
单位时间内单个工作站可完成样品制备或表征的样本量。一个博士生一天约可完成 20 个样品；我们的工作站一天至少可完成 500 种不同配方或工艺的样品。
样品在自动化转移过程中偏离预设轨道或丢失的概率，例如未能抓取玻璃片、玻璃片脱落等。掉片率过高会使高通量实验无法正常进行。经过 5 年多持续打磨，我们实现了低于 0.1% 的掉片率。
相同工艺条件下，连续制备相同样本的性能指标波动范围，通常用变异系数 CV 值描述（CV = std/mean）。它直接决定高通量实验数据质量。经过 3 次大的技术迭代，我们实现了低于 2% 的 CV 值；相较于博士生实验通常大于 10% 的 CV 值，提升至少 5 倍。
设备在连续多次运行过程中发生功能性中断的概率。经过 5 年多在硬件和软件层面的持续优化，我们实现了低于 1% 的故障率。
核心在于：利用高通量实验工作站产生高质量数据，再通过 AI 模型训练，实现性能早期预测和全局优化。假设一个样品需要经历 20 道工艺步骤，如溶液配制、旋涂、退火和性能表征。传统研发必须完成全流程才能评估性能，周期长、成本高；基于高质量高通量实验数据与 AI 推理模型，可在第 2 或第 3 步结束后提前预测性能，将研发周期和成本降低 80% 以上。
对于复杂材料体系，传统网格搜索法可能需要遍历数万组实验。将贝叶斯优化算法引入高通量实验工作流后，仅需约 10% 的采样点即可锁定全局最优解，将研发效率提升至少 1 个数量级。
新材料研发常被比作“大海捞针”：要在数百万甚至上亿种可能的材料组合里找到性能最优的一款。过去，科研人员大多靠经验划梯度、凭直觉调配方，反复试错不仅耗时、成本高，还可能止步于局部最优。
如今，AI 正在改写这一局面。贝叶斯优化（Bayesian Optimization）作为 AI 驱动实验的核心算法之一，正推动材料研发从经验试错转向数据驱动。
Exploitation（利用）是沿着当前表现最好的区域继续深挖，风险较低；Exploration（探索）是进入未知参数空间寻找新机会，不确定性更高。传统研发往往偏向前者，但真正有突破性的性能常藏在未探索区域。能否平衡二者，直接决定研发效率。
贝叶斯优化是一套用概率模型做决策的智能实验规划方法。它通过持续的数据迭代，自动寻找“利用”与“探索”的最佳平衡，工作流程可拆为三步：
在某上市客户的药品材料优化项目中，高熵科技采用自研的可拉伸贝叶斯优化算法，搭配高通量自主实验平台完成验证。首轮设置正交浓度梯度获取基础数据，后续每轮根据上一轮结果优化配方，连续开展三轮实验。
结果显示，开路电压、短路电流密度、填充因子和光电转换效率逐轮提升，同时数据分布离散度持续收窄。这说明算法既能从有限数据中学习规律，也能持续引导实验向全局最优收敛。
未来材料研发的核心竞争力，不只是拥有更多设备，而是更快地把数据转化为下一次实验决策。贝叶斯优化正是连接数据与决策的关键桥梁。
钙钛矿太阳能电池的性能优化，依赖对内部工作机制的精准把控。J-V、EQE、PL、EIS 等技术就像精密的“体检仪器”，从器件性能、光谱响应、复合质量和电路特性等角度共同诊断问题。
在标准太阳光下测量电压与电流的关系，得到开路电压（Voc）、短路电流密度（Jsc）、填充因子（FF）和光电转换效率（PCE）。它是衡量器件好坏的最终标准，其他表征则用于解释这份“成绩单”。
在黑暗中测量器件的电流电压特性，重点观察反向漏电与正向整流。优秀器件在无光时应保持较小漏电流，并具备顺畅的正向导通特性。
用不同波长的光照射器件，测量每个光子能转化出多少电子。曲线积分得到的 Jsc 应与 J-V 结果吻合；曲线越高，说明对应波段的光利用率越好。
IQE 排除了反射、透射等光学损失。若 EQE 低而 IQE 高，问题多在光学设计；若 IQE 也低，则说明电荷产生或收集存在损失。
用激光照射钙钛矿薄膜，观察发光峰位和强度。峰位可判断带隙，发光越强通常意味着缺陷越少；加入传输层后出现淬灭，则可能说明电荷被有效抽取。
TRPL 测量发光衰减时间。寿命越长，通常表示载流子非辐射复合更少，材料纯度更高、缺陷更少。
PLQY 是发射光子占吸收光子的比例，与器件可达到的最高开路电压直接相关。发光效率越高，非辐射复合越少，器件的电压潜力越大。
通过微小交流信号和等效电路拟合，得到串联电阻（Rs）、电荷转移电阻（Rct）等参数。Rs 过大通常指向导线或电极接触问题，Rct 过大则表明界面电荷传输受阻。
面对实验数据杂乱、研发经验随人员流失而断档，以及难以快速定位关键影响因素等问题，高熵科技推出 AI工具软件 MatSeek，把高通量实验产生的高质量数据转化为可持续积累的企业知识。
MatSeek 是面向材料领域的 AI工具软件。它以高通量实验数据为基础，利用人工智能技术解决材料研发难题，核心理念是让“企业知识，再也不怕断档”。
MatSeek 将预测与解释深度集成，内置多种预测模型和模型解释算法，用户可将实验数据作为训练集，训练专属于企业或项目的模型。
它能完成器件性能统计关联分析，定性挖掘关键因素；也能通过机器学习建模与解释性分析，定量判断各因素的影响程度。适用于材料组分或性质与器件性能、工艺参数与器件性能之间的关联分析。
经过持续的数据积累与模型训练，MatSeek 不仅能够提升研发速度，也能成为企业的知识资产库，让核心技术得以沉淀、延续，并减少人员变动造成的经验断档。
钙钛矿太阳能电池的光电转换效率在十几年间从 3.8% 提升到超过 26%。它不依赖高温、高真空的复杂制程，兼具较低成本与灵活工艺。其制造流程大致可分为基板准备、功能层构建、封装与测试三步。
器件通常以 FTO 或 ITO 透明导电玻璃为基板，它既支撑器件，也是收集电流的电极。新玻璃表面的油脂、灰尘和有机残留会破坏后续成膜，因此必须严格清洗。
经过表面活化，水滴接触角可从 50～70° 降到 10° 以下，使后续溶液均匀铺展。这个看似简单的步骤，实际决定了器件质量上限。
以 n-i-p 正置结构为例，从下往上依次为电子传输层、钙钛矿吸光层、空穴传输层和金属电极。
常用 TiO₂、SnO₂ 等材料，通过旋涂、喷雾热解或原子层沉积形成致密、均匀、无针孔的薄膜，用于提取电子并阻挡空穴。
一步法将含铅源与有机盐的前驱液旋涂在基板上，并在旋转中加入反溶剂促使快速结晶；两步法先制备 PbI₂ 薄膜，再与有机盐反应生成钙钛矿。两种方法都追求致密、光滑、大晶粒且无针孔的薄膜。
经典材料 Spiro-OMeTAD 通常通过旋涂沉积，并加入锂盐与叔丁基吡啶提升导电性。由于掺杂剂可能影响稳定性，无掺杂空穴传输材料也是重要研究方向。
金、银或铜电极用于收集空穴并导出电流。实验室常采用热蒸发，工业化也可使用磁控溅射或丝网印刷。
钙钛矿对水和氧极为敏感，必须通过玻璃—玻璃封装、原子层沉积阻隔层或 EVA 胶膜层压等方式保护器件。
一块优秀的钙钛矿太阳能电池，不仅要效率高，也要经得起时间与环境的考验。
材料体系正从单元素、少变量，转向多元素、多组分、多工艺协同优化。钙钛矿配方涉及元素比例、制备工艺以及效率、稳定性、环保性等多个目标，变量数量呈指数级增长。
人工逐一试错和单变量控制在复杂体系中会迅速陷入“维度灾难”：组合空间巨大，时间、人力和材料资源却有限。不同人员的操作与记录差异还会降低结果的重复性和可比性。
这一闭环能够降低研发成本、缩短开发周期、提升材料性能，并提高发现新材料的概率。全过程的数据与模型可追溯、可复现，为后续研究和产业转化建立可信基础。
高通量平台解决“做得多、做得准”，高可信 AI 解决“想得快、想得对”。两者结合，才能让复杂材料研发从“大海捞针”变成“精准导航”。
在高通量实验中，旋涂过程的溶剂挥发速度和均匀性会直接影响薄膜质量。即使是微小的气氛波动，也可能造成不同批次之间的结果偏差。
锡箔纸和无纺布只能减少部分溶剂蒸汽干扰，但各自存在明显局限：
这些问题会降低实验重复性，使不同批次之间的数据波动增大。
这一机制带来两项直接收益：
高熵科技 MatX 系列高通量实验平台的实测变异系数（CV 值）为 1.5%，传统人工操作的 CV 值为 13.5%。自动化实验的重复性和均匀性由此提升近一个数量级。
通过气流设计与吸附膜技术的组合，高通量实验平台能够稳定旋涂气氛，让实验更稳、更准，并为大量平行对比实验提供可靠基础。
高熵科技提供面向材料研发的 AI 工具集 MatSeek。其内部集成了多种预测模型和模型解释器算法，用户可以直接使用实验室数据训练专属模型。
模型不仅能够给出预测结果，还能通过解释器说明“为什么这样预测”，帮助研究人员理解数据背后的物理化学规律。
随着实验数据持续积累，研发人员记录在笔记本中的经验、直觉和试错过程可以转化为可复制、可检索的系统知识，并留存在企业内部，减少人员流动造成的知识损失。
MatSeek 支持完全本地化部署，所有运算和数据存储均在企业内部服务器完成，无需上传云端。整个模型架构与算法均为 100% 自研，不包含第三方组件，从根源上降低数据外溢风险。
MatSeek = 高通量实验产出的优质数据 + 自研 AI 模型 + 本地化安全部署。它让材料研发从“经验驱动”迈向“数据 + AI 驱动”，并且全程掌握在企业自己手中。
高熵科技致力于材料领域的高通量实验工作站与高可信 AI 模型服务，核心定位是为客户提供“自主高通量人工智能实验工作站及一站式解决方案”。
具体服务内容涵盖以下七个板块：
传统材料研发往往依赖科研人员反复试错，研发周期较长，试错成本也很高。
高熵科技倡导的“高通量 + AI”模式，主要由两部分协同构成：
这种模式把材料研发从传统的“经验驱动”转变为“数据驱动”，大幅缩短从实验室研究到产业化应用的距离。
这套工作站是高熵科技一站式解决方案的硬件与软件核心，其运作过程是一个高度自主的闭环流程：