Polybot 来袭！AI 助力电子聚合物薄膜制备，开启高导低缺陷新时代

为解决电子聚合物溶液成膜难题，美国阿贡国家实验室等机构研究人员开展关于电子聚合物溶液处理自主平台的研究，利用 Polybot 制备出高导电、低缺陷薄膜。该成果对电子聚合物制造意义重大，值得科研人员一读。

　　

在电子和能源研究的奇妙世界里，电子聚合物就像一群隐藏着巨大能量的 “小精灵”，它们独特的电子特性、柔软的机械性能以及低成本的生产方式，让科学家们对其寄予厚望，期待它们能在可印刷电子、可穿戴和生物电子设备以及能源设备等领域大显身手。然而，要让这些 “小精灵” 乖乖听话，可没那么容易。

把电子聚合物溶液加工成具有特定性能的薄膜，就像是一场艰难的挑战。想象一下，这些纳米级厚度的薄膜，在加工时需要在各种快速流动和应力（比如加热）的环境下 “变身”，这些高度非平衡的条件就像一个个调皮的 “小恶魔”，会导致薄膜的形态出现各种不可预测的变化。而且，电子聚合物加工过程中的参数多得数都数不过来，它们之间的关系又复杂得像一团乱麻，这可让科学家们犯了难。为了设计和优化出具有更强大功能的新电子聚合物材料，科研人员常常要花费数年的时间，投入大量的精力。

在这样的困境下，美国阿贡国家实验室（Argonne National Laboratory）等机构的研究人员决心要攻克这个难题。他们的研究成果发表在了《Nature Communications》期刊上，论文题目是 “Autonomous platform for solution processing of electronic polymers” 。经过不懈努力，他们成功打造出了 Polybot 这个神奇的人工智能驱动的自动化材料实验室，就像是一个 “超级工厂”，能自主探索制备高电导率、低缺陷电子聚合物薄膜的加工路径。而且，他们还通过实验得到了大规模制造的配方，制备出的透明导电薄膜平均电导率超过了 4500 S/cm，这一成果无疑为电子聚合物的制造带来了新的曙光。

在这项研究中，研究人员用到了几个关键的技术方法。首先是自动化实验流程，通过机器人操作的实验工作流程，能够高效地探索溶液处理电子聚合物薄膜的条件。其次是重要性引导的贝叶斯优化算法，利用这个算法可以在复杂的参数空间中进行策略性探索。此外，还运用了统计数据分析方法，确保实验数据的可重复性，为后续的研究提供可靠的依据。

下面我们来详细看看研究的具体成果。

电子薄膜的自动化溶液处理

研究人员利用机器人操作的实验工作流程来探索溶液处理电子聚合物薄膜的理想条件（图 1a）。这个自动化平台就像一个功能齐全的 “小宇宙”，配备了液体 / 基板 / 小瓶处理站、溶液混合站、刀片涂布站、刀片清洗站、退火站，还有一系列在线表征和分析系统，包括成像和厚度表征模块，以及连接到电气表征系统的自动探针站（图 1b）。它干活的速度可快了，每个样品从配方、加工、后处理到电导率测量，整个实验循环大约只需要 15 分钟，每天能处理大约 100 个样品，而且重复性非常好。

研究人员选择了掺杂聚（4 - 苯乙烯磺酸盐）的聚（3,4 - 乙撑二氧噻吩）（PEDOT:PSS）作为典型材料。PEDOT:PSS 虽然被认为是一种高导电聚合物，但它的电导率和涂层缺陷（比如脱湿区域、孔洞）对配方和加工条件特别敏感。为了制备出高导电的 PEDOT:PSS 薄膜，研究人员制定了三个主要策略：一是加入添加剂，改善富含 PEDOT 区域之间的连通性，让电荷载流子能更顺畅地移动；二是采用定向薄膜涂布方法，使薄膜的形态更有序；三是进行溶剂后处理，增强形态有序性或者去除绝缘的 PSS。

与传统研究方法不同，这次实验在概率人工智能 / 机器学习和统计分析的指导下，同时改变所有参数。他们通过多目标贝叶斯优化和概率采样来优化 PEDOT:PSS 薄膜的性能（图 1c）。实验中，同时调整了七个实验参数，包括添加剂类型、添加剂比例、刀片涂布速度、刀片涂布温度、后处理溶剂、后处理涂布速度和后处理涂布温度（图 1d、1e），就像操控着七个神奇的 “魔法棒”，看看它们如何影响聚合物溶液状态结构、涂布过程中的组装以及后处理过程中的结构调控。

实验的主要目标是让 PEDOT:PSS 薄膜的电导率最大化，同时降低涂层缺陷。为了实现这个目标，Polybot 利用自动化工作站制备聚合物溶液、涂布薄膜、评估可加工性并测量电导率。在测量过程中，还有个小挑战，就是 PEDOT:PSS 薄膜电导率测量值的不确定性很高，尤其是那些因为可加工性差或脱湿而不均匀的薄膜。不过研究人员有办法，Polybot 对每个样品至少进行两次试验，最多四次试验，然后通过统计分析方法来消除无效值，确定合适的试验次数。

从自主机器人实验到大规模制造

在人工智能 / 机器学习的引导下，实验同时调整所有参数，从而弄清楚了各个实验因素对实现电子薄膜最佳制造条件的相对重要性。这次研究的搜索空间可不小，包含了 933,120 种可能的实验条件，涉及 PEDOT:PSS 薄膜的配方、涂布和后处理。

实验一开始，研究人员用拉丁超立方抽样（LHS）方法从搜索空间中均匀抽取了 30 个条件，这些数据点就像一个个 “小侦察兵”，粗略地覆盖了搜索空间的各个区域，为预测模型提供了初始训练数据。这里用到了两个预测模型，一个是用于预测薄膜电导率的高斯过程回归（GPR）模型，另一个是用于估计薄膜缺陷的高斯核密度估计（KDE）模型。

Polybot 利用材料属性预测模型和重要性引导的贝叶斯优化（BO）方法，在没有先验数据的情况下，也能高效地探索这个庞大的搜索空间。它会评估所有未知实验加工条件下电导率的预期改进（EI），然后根据 EI 排名选择下一个实验条件。不过，为了避免陷入局部最优解，Polybot 采用了重要性引导的 BO，在选择实验条件时，会综合考虑 KDE 预测的薄膜覆盖率，优先选择那些既能提高电导率，又能保证一定薄膜覆盖率的条件。

随着实验的进行，研究人员通过均匀流形近似和投影（UMAP）方法，将 7 维实验搜索空间投影到 2D 平面上，这样就能直观地看到实验的进展。在 UMAP 图上，每个实验条件都像一个小点点，Polybot 就像一个聪明的 “探险家”，很快找到了能同时最大化电导率和薄膜覆盖率的区域，并且通过迭代，用少量的样品就提高了样品的性能。

实验结束后，研究人员通过帕累托前沿分析确定了三种性能最佳的实验加工条件。其中一种配方和涂布条件被用于大规模制造，并进行了深入的结构表征。他们在工业相关的大规模刀片和卷对卷涂布工艺中成功应用了这些条件，制备出的 100 cm2 薄膜覆盖率达到 100%，平均电导率超过 4500 S/cm，还在层压纸卷上成功打印出了高导电薄膜。此外，研究人员还发现 DMSO 对可加工性有不利影响，这也验证了之前深入分析的结果。

从深入数据分析和结构表征中阐明设计原则

研究人员对实验收集的数据进行了可视化和分析，想要找出制造低缺陷、高导电 PEDOT:PSS 薄膜的原理和最佳条件。平行坐标图（图 4a）和归一化载荷图（图 4b）展示了实验参数和薄膜性能之间复杂的关系和相关性。从这些图中可以看出，DMSO 浓度对薄膜覆盖率和平均电导率有很强的负面影响。

研究人员还计算了 SHAP（Shapley Additive exPlanations）特征重要性值，这个值能帮助他们了解各个参数的重要性。结果发现，DMSO 浓度是影响制备低缺陷、高导电薄膜的最主要因素，其次是配方的变化，然后是加工和后处理条件的调整。

为了进一步了解制造条件和电导率增强之间的关系，研究人员用低温电子显微镜（cryo - EM）观察了 PEDOT:PSS 在溶液状态下的结构，发现加入少量 DMSO 和 / 或 EG 添加剂后，会出现由分散良好的 PEDOT:PSS 胶体颗粒组成的聚集体，这有助于提高电导率。通过广角 X 射线散射（GIWAXS）表征，他们还发现经过处理的 PEDOT:PSS 薄膜比原始溶液旋涂的薄膜结晶度更高，刀片涂布的薄膜有轻微的形态排列，这些形态特征都为电荷载流子提供了更有效的传输路径，进一步提高了电导率。

总的来说，这项研究展示了自动化实验室、机器学习 / 统计模型和人工智能引导的探索算法在制备高导电、低缺陷聚合物薄膜方面的协同作用。重要性引导的贝叶斯优化算法让研究人员能够高效地探索复杂的 7 维加工空间，并优化两个关键材料性能。通过成功的实验，他们得到了大规模制造透明导电薄膜的配方，制备出的薄膜平均电导率达到了先进水平。虽然这项研究的电导率数值可能不是最顶尖的，但人工智能引导的机器人加工方法在寻找最佳加工路径方面展现出了巨大的优势。这种方法不仅有助于电子聚合物领域智能制造平台的发展，还能满足提高系统生产力、加速材料发现的迫切需求，为未来的电子和能源研究开辟了新的道路，让人们对电子聚合物的应用充满了更多的期待。