SolaEon 光因AI FOR SCIENCE · PEROVSKITE INDUSTRIALIZATION
SolaEon光因 WHITE PAPER
钙钛矿光伏产业化 · AI for Science
封面 / COVER 以数据闭环推动钙钛矿光伏从材料突破走向工程制造
材料发现 · 实验决策 · 工艺优化 · 产线反馈
成本↓98% · 收敛 30→5 天 · 检测 25min→20s
AI4S 高通量研发制造闭环
钙钛矿光伏产业化的竞争正在从单点效率突破，转向大面积、高稳定、低成本和高一致性制造能力的系统竞争。光因科技将 AI4S 作为连接材料设计、自动化实验、可靠性评价和产线质量控制的工程方法，目标是把高维材料研发转化为可度量、可追溯、可迭代的产业化平台。
核心观点 / CORE VIEWPOINT 光因科技 AI4S 白皮书
CONTENTS CONTENTS
光因科技 · AI4S 白皮书 / 2026
03 EXECUTIVE SUMMARY Nº 01
EXECUTIVE SUMMARY
光因科技是一家聚焦钙钛矿光伏产业化的科技公司。公司将 AI for Science（以下简称 AI4S）应用于钙钛矿材料设计、实验验证、工艺开发和制造反馈，构建以 AI 驱动材料发现、AI 驱动实验决策、AI 驱动工艺优化和 AI 驱动产线反馈为主线的闭环研发与制造平台。
钙钛矿产业化的本质是高维材料科学问题向工程制造问题的系统转化。
光因科技将 AI 定位为连接科学先验、自动化实验、多模态表征、可靠性测试和真实制造数据的基础设施。平台以模型能力增强科学家判断，使每一次实验、每一次老化测试和每一次产线波动都成为下一轮研发和制造决策的输入。
钙钛矿光伏被视为继晶硅之后最具潜力的下一代光伏技术之一，具备高效率潜力、低温制备、轻薄柔性、弱光响应和半透明应用等差异化价值。但从实验室器件走向规模化制造，行业仍需解决大面积成膜均匀性、长期稳定性、组件级良率、批间一致性、封装可靠性和成本控制等问题。产业化能力的核心，在于以可控成本持续、稳定地制造高性能组件。
产业化本质 / THE ESSENCE 光因科技认为，钙钛矿产业化的本质是高维材料科学问题向工程制造问题的系统转化。组分、添加剂、溶剂体系、结晶过程、界面结构、封装方案和环境应力之间高度耦合，传统线性试错难以在合理周期内完成充分搜索。AI4S 的价值在于把这种高维复杂性转化为可计算、可验证、可回放和可迭代的闭环系统。
目前，光因科技已围绕 AI4S 高通量平台形成阶段性成果：
建立 AI 与第一性原理计算结合的候选分子筛选和苗头分子优化流程
以主动学习生成实验队列并驱动高通量验证
围绕材料-工艺-性能-稳定性关系建立耦合模型和工艺窗口
将缺陷检测、异常归因和质量模型接入中试或产线数据闭环
SolaEon光因 光因科技 · AI4S 白皮书 03 / 16
04 THE CORE TENSION Nº 02
THE CORE TENSION
钙钛矿光伏的吸引力来自材料体系本身：带隙可调、吸收系数高、缺陷容忍度较好、低温薄膜制备路径丰富，并且能够与晶硅等成熟技术形成叠层路线，也能够在轻量化、柔性化、半透明和弱光场景中形成差异化产品形态。
? 产业化必须回答的更复杂问题 / THE HARD QUESTIONS 但是，材料潜力并不会自动转化为产业竞争力。小面积器件效率能够证明技术上限存在，产业化则必须回答更复杂的问题：湿膜到干膜的转变是否可控，大面积结晶是否均匀，局部针孔和相分离是否会在组件尺度放大，界面反应与离子迁移是否会导致长期衰减，封装体系是否能承受水、氧、热、光和电偏压共同作用，工艺窗口是否足够宽以支撑稳定制造。
这些问题相互耦合，共同构成系统约束。一个添加剂可能提升初始效率，却改变相稳定性或离子迁移路径；一个界面钝化方案可能降低复合损失，却影响大面积涂布的一致性；一个适合小片制备的退火曲线，可能在连续化设备上暴露出新的温场、干燥和成膜问题。行业需要形成在效率、稳定性、良率、成本和可放大性之间持续寻找可制造解的能力。
行业需要形成在效率、稳定性、良率、成本和可放大性之间持续寻找可制造解的能力。
在庞大的材料和工艺组合空间中，更快找到兼具效率、寿命、成本和可放大性的工艺窗口。
把稳定性问题从结果判断推进到机理归因，明确衰减来自缺陷、界面、封装、离子迁移还是工艺漂移。
把实验室能力迁移到中试线和规模化制造流程，使配方、设备、工艺、质控和数据体系共同收敛。
SolaEon光因 光因科技 · AI4S 白皮书 04 / 16
05 WHY AI4S Nº 03
WHY AI4S
AI4S 在钙钛矿产业化中的定位，是一种研发和制造组织方式。它通过模型连接科学先验、实验数据、自动化设备、老化测试和产线反馈，使复杂系统能够被持续学习和优化。
钙钛矿研发之所以需要 AI4S，首先是因为参数空间极大。A 位、B 位、X 位组分、添加剂、溶剂体系、界面层、传输层、退火曲线、涂布参数、环境条件和封装方案共同构成高维组合空间。更重要的是，这些变量之间高度耦合，一个局部优化可能同时改变结晶过程、缺陷分布、界面复合、离子迁移和长期稳定性。传统单因素试错或局部 DOE 很难在合理周期内找到效率、稳定性、良率、成本和可放大性之间的综合最优解。
试错式研发在产业化阶段效率不足。钙钛矿研发过去高度依赖科学家经验，这种方式能够在早期探索中产生突破，但面对大面积制备、长期老化和组件一致性问题时，线性试错的成本和周期迅速上升。大量失败实验没有被充分结构化，也难以转化为下一轮实验设计的依据。AI4S 的价值在于把每一次实验结果，包括失败样品、边界样品和异常样品，转化为模型可以学习的信息，从而减少低价值试验，加快候选体系和工艺窗口收敛。
钙钛矿电池需要多维评估和复杂归因。器件表现不能只由初始效率判断，还需要综合 J-V、PL、EL、XRD、形貌图像、缺陷检测、迟滞行为、老化曲线、封装状态和产线过程参数等多类数据。效率衰减可能来自体相缺陷、界面复合、离子迁移、封装失效或工艺漂移，单靠人工经验很难从多模态、高噪声、长时间跨度的数据中稳定识别关键因素。AI4S 可以把材料、工艺、表征、性能和稳定性数据放入同一分析框架，帮助团队从复杂信号中提取规律，建立从现象到机制、再到工艺调整的归因链路。
混合建模路线 / HYBRID MODELING 正因为钙钛矿体系机制复杂、先验不足、数据噪声高，光因科技选择混合建模路线。平台将决策建立在物理化学认知、多尺度模拟、机器学习模型、贝叶斯优化和实验反馈共同构成的证据链之上，形成可解释、可迭代、可被实验校正的决策系统。模型需要同时预测效率、评估不确定性、推荐候选配方、识别数据盲区，并兼顾稳定性、工艺可行性、成本和供应链约束。
光因科技 · AI4S 白皮书 05 / 16
06 CLOSED-LOOP PLATFORM Nº 04
CLOSED-LOOP PLATFORM
光因科技 AI4S 平台以“AI 驱动材料发现 - AI 驱动实验决策 - AI 驱动工艺优化 - AI 驱动产线反馈”为技术主线，将材料研发从孤立样品优化，推进为面向稳定性、可制造性、良率和成本的系统工程。平台以统一数据中台为底座，将配方、添加剂、界面材料、制备参数、薄膜表征、器件性能、老化曲线、缺陷图像、设备状态、环境数据和产线良率纳入同一数据体系。AI 模型在这一数据体系上持续学习：前端用于发现高潜力材料和结构组合，中端用于生成高价值实验队列和优化工艺窗口，后端用于识别产线异常、分析工艺漂移并反哺研发决策。
| 技术环节 | 核心问题 | AI 能力 | 关键输出 |
|---|---|---|---|
| AI 驱动材料发现 | 哪些分子、组分、界面材料和器件结构值得优先探索 | 材料空间建模、多目标筛选、候选体系推荐、不确定性评估 | 候选配方、界面方案、结构组合、优先级排序 |
| AI 驱动实验决策 | 下一轮实验应该做什么，如何用有限实验获得最大信息量 | 主动学习、贝叶斯优化、实验队列生成、表征方案推荐 | 实验计划、样品队列、对照组设计、数据采集方案 |
| AI 驱动工艺优化 | 如何把实验室结果转化为可放大的工艺窗口 | 工艺参数建模、薄膜质量预测、缺陷风险识别、稳定性约束优化 | 工艺窗口、关键参数区间、放大验证路径 |
| AI 驱动产线反馈 | 如何从真实制造数据中发现异常、优化良率并反哺研发 | 产线数据建模、在线质控、异常归因、漂移预警 | 良率提升、异常定位、闭环调参、模型再训练数据 |
把分子、配方、工艺、设备、环境、表征、缺陷、老化和产线质量数据统一为可计算结构
确保样品、批次、设备、人员、环境和检测结果可追溯
使实验数据、工艺数据和产线数据持续进入材料、实验、工艺和质量模型
光因科技 · AI4S 白皮书 06 / 16
07 MATERIAL DISCOVERY Nº 05
MATERIAL DISCOVERY
钙钛矿电池的材料发现包含两个层级。
第一层级是新材料分子的设计与筛选，包括自组装单分子层材料、钝化剂、界面修饰材料、传输层修饰分子和稳定性增强分子。
第二层级是材料体系组合优化，包括钙钛矿组分、添加剂、溶剂体系、界面结构、传输层和工艺参数之间的协同优化。
前者决定可探索材料空间的质量，后者决定候选材料在器件体系中的综合表现。
光因科技 AI4S 平台面向分子层级建立材料发现能力，将 AI 模型、第一性原理计算和高通量实验结合起来，对 SAM、钝化剂、界面修饰材料和传输层修饰分子等候选对象进行虚拟设计、计算预筛和结构优化。
平台通过分子性质预测、电子结构分析和界面相互作用评估，筛选具备潜力的候选分子，并对苗头分子开展结构衍生和取代基优化，形成可进入器件级高通量验证的候选分子库。经过计算筛选和初步验证的分子，将与钙钛矿组分、添加剂、界面结构和工艺参数共同进入体系化优化流程。
光因科技 · AI4S 白皮书 07 / 16
08 EXPERIMENT DECISION Nº 06
EXPERIMENT DECISION
钙钛矿研发面临高维变量空间与有限实验资源之间的矛盾。每一轮实验都受到样品制备能力、表征通量、稳定性测试周期、材料成本和人员时间的约束，因此实验决策的关键在于如何选择最具信息价值的实验组合，使有限资源同时服务于性能优化、模型校正和不确定性降低。
ACTIVE LEARNING 主动学习建模 光因科技 AI4S 平台将实验设计建模为主动学习过程。模型基于上一轮实验结果、候选体系预测值、不确定性分布、目标函数和约束条件，生成下一轮实验队列。平台结合贝叶斯优化、信息增益最大化和多目标 Pareto 分析等方法，对候选体系进行排序，并针对不同类型样品安排差异化验证：对高效率但稳定性风险较高的体系补充老化和缺陷表征，对不确定性较高的区域安排探索性实验，对收益有限的区域降低实验优先级。
↑ 闭环迭代 ↓
HIGH-THROUGHPUT 高通量验证 高通量验证体系为主动学习提供执行基础。平台围绕 AI 生成的实验队列，形成配液方案、制备参数、表征计划和数据标签；样品制备完成后，J-V、PL、EL、水滴角、膜厚、UV-Vis、缺陷检测、MPPT/UV/DH/TC 老化数据被结构化回写至数据中台，直接进入模型训练和下一轮实验决策。
DATA QUALITY 数据质量与闭环效率 实验数据质量决定闭环效率。每一片电池样品都保留完整元数据，包括材料批次、配方比例、溶剂体系、设备参数、环境条件、表征条件和测试结果。低效率样品、不稳定样品、缺陷显著样品和批次异常样品也具有重要价值，可以帮助模型识别无效区域、失效边界和工艺敏感条件，从而逐步建立候选体系的排除规则、风险边界和工艺适配条件。
光因科技 · AI4S 白皮书 08 / 16
09 PROCESS OPTIMIZATION Nº 07
PROCESS OPTIMIZATION
钙钛矿电池的产业化放大高度依赖工艺窗口的稳定性和可迁移性。实验室小面积器件中的高性能结果，在大面积制备、中试放大和连续化制造条件下，会受到涂布方式、干燥过程、结晶动力学、退火曲线、环境波动、设备差异和封装条件的共同影响。因此，材料体系的有效性需要通过工艺可放大性验证，工艺开发也需要同时受到材料特性和稳定性约束。
COUPLED OPTIMIZATION 耦合建模 光因科技 AI4S 平台将工艺优化建模为“材料-工艺-结构-性能-稳定性”的耦合优化问题。平台将溶液浓度、涂布速度、基底温度、环境湿度、干燥条件、退火时间、界面处理和封装条件等工艺参数，与膜厚、PL/EL 图像、缺陷图像、J-V 曲线、稳态输出和老化轨迹进行联合建模，用于识别关键工艺参数、确定参数敏感区间、预测薄膜缺陷风险，并输出可放大的工艺窗口。
ROBUSTNESS 鲁棒性平衡 工艺优化需要同时考虑性能上限和工艺鲁棒性。某一工艺点即使能够产生高效率样品，如果对湿度、温度、涂布速度或设备状态高度敏感，在规模化制造中仍具有较高风险。平台通过多目标优化和鲁棒性分析，对候选工艺进行综合评估，识别效率、稳定性、良率和成本之间的平衡区域，降低实验室结果向中试和制造条件迁移时的不确定性。
STABILITY ATTRIBUTION 稳定性归因 稳定性归因嵌入工艺优化体系。平台通过老化曲线、光谱信号、缺陷图像、结构表征和工艺参数的联合分析，建立从衰减现象到缺陷类型、界面行为和工艺节点的关联路径。
工艺优化的阶段性输出包括关键参数区间、工艺敏感性排序、缺陷风险图谱、放大验证路径和稳定性约束条件，并为中试或联合产线验证提供关键控制点、质量监测指标、异常判定规则和推荐调参方向。
光因科技 · AI4S 白皮书 09 / 16
10 PRODUCTION FEEDBACK Nº 08
PRODUCTION FEEDBACK
产线反馈是研发模型走向制造智能的关键环节。钙钛矿制造对环境条件、设备状态和工艺波动高度敏感，许多缺陷和失效模式只有在连续化制备、中试放大或组件制造过程中才会充分暴露。产线数据能够反映材料体系在真实制造条件下的工艺鲁棒性、批次间一致性、缺陷风险和良率表现，是修正材料模型和工艺模型的重要数据来源。
QUALITY FORWARD 质量前移 AI 驱动产线反馈的目标是将质量控制前移至关键工序。平台将产线过程数据、在线检测数据、设备状态、环境参数、缺陷图像、电性能测试、良率结果和返工信息纳入统一数据体系，持续监控膜厚、均匀性、缺陷密度、温湿度、设备状态、批次间一致性和关键工序参数的变化趋势，用于识别工艺漂移、定位异常来源、评估影响范围，并形成参数调整建议。
DEFECT ATTRIBUTION 缺陷检测与异常归因 缺陷检测与异常归因是产线反馈的重要组成部分。光因科技 AI4S 平台基于视觉、光谱和电学信号构建多模态缺陷识别模型，对膜层孔洞、漏电、短路、界面分层、封装异常和电性能异常进行分类，并将缺陷识别结果与工艺参数、设备状态、环境条件和后续老化结果关联，形成从缺陷类型到工艺原因的追溯路径，提高异常定位效率，并为产线调参提供量化依据。
REVERSE CONSTRAINT 反向约束闭环 产线反馈同时为材料发现、实验决策和工艺优化提供反向约束。若某一候选体系在实验室中具有较高效率，但在中试或规模化制备中表现出工艺窗口狭窄、批次波动大、缺陷风险高或封装适配性不足，相关数据将回流至模型并调整该路线的优先级。随着不同设备、不同批次和不同工艺条件下的数据持续积累，平台正逐步建立实验室样品、中试组件和规模化制造之间的映射关系，提高新材料体系进入制造验证阶段的成功率。
光因科技 · AI4S 白皮书 10 / 16
11 DATA ASSET & GOVERNANCE Nº 09
DATA ASSET & GOVERNANCE
光因科技的数据资产围绕“材料发现-实验决策-工艺优化-产线反馈”建立全链路结构。平台将分子计算模拟结果、实验制备参数、多模态表征、稳定性测试、产线检测和良率数据纳入统一体系，使材料模型、实验模型、工艺模型和质量模型能够在同一数据底座上持续迭代。
| 数据层级 | 技术主线 | 数据内容 | 作用 |
|---|---|---|---|
| 分子与材料数据 | AI 驱动材料发现 | 分子库、界面结构模型、第一性原理计算结果、材料描述符、物理化学性质 | 支撑新材料分子筛选、苗头分子优化、材料体系优先级排序 |
| 实验与表征数据 | AI 驱动实验决策 | 配方、制备参数、J-V、PL、EL、膜厚、形貌、缺陷、老化数据 | 支撑主动学习、实验队列生成、模型校正、DOE 设计 |
| 工艺与稳定性数据 | AI 驱动工艺优化 | 涂布参数、退火曲线、环境条件、工艺窗口、老化轨迹、衰减路径 | 支撑工艺窗口优化、稳定性归因、放大验证 |
| 产线与质量数据 | AI 驱动产线反馈 | MES 数据、设备状态、在线检测、环境参数、良率、缺陷分类、返工信息 | 支撑异常定位、漂移预警、闭环调参、研发反向约束 |
光因科技 · AI4S 白皮书 11 / 16
12 STAGED ACHIEVEMENTS Nº 10
STAGED ACHIEVEMENTS
截至 2026 年 5 月，光因科技已围绕 AI4S 高通量平台形成四类阶段性成果：
建立候选分子与候选材料体系的计算筛选能力
完成主动学习驱动的模型-实验闭环
将工艺参数、薄膜表征、器件性能和老化轨迹进行联合建模
接入中试或联合产线数据，用于缺陷识别、异常归因和模型再训练
注：均为相对传统方式 / 基线的改善幅度（截至 2026 年 6 月）
光因科技 · AI4S 白皮书 12 / 16
13 §10 阶段性成果 · 明细 / DETAILS
DETAILS
10.1 AI 驱动材料发现阶段性成果 在材料发现环节，光因科技 AI4S 平台已建立 AI 模型与第一性原理计算协同的分子级筛选流程。平台围绕 SAM、钝化剂、界面修饰材料和传输层修饰分子构建候选分子库，通过分子性质预测、电子结构计算、界面相互作用分析和工艺兼容性评估，筛选具备能级匹配、缺陷钝化、界面稳定性和器件适配潜力的候选分子。截至 2026 年 5 月，平台已构建覆盖 SAM、钝化剂、添加剂、C60 界面修饰材料等候选分子库，包含 10¹⁰ 个有机分子与无机晶体结构，完成了 >10⁸ 有机分子的 AI 预测和 >10⁴ 个分子/界面结构的第一性原理计算筛选。其中，上百个候选分子进入合成或采购验证，几十个苗头分子进入分子优化流程与器件级高通量验证。
10.2 AI 驱动实验决策阶段性成果 在实验决策环节，平台已将主动学习嵌入高通量研发流程。模型根据上一轮实验结果、候选体系预测值、不确定性分布和多目标约束，生成下一轮实验队列，并通过高通量制备、多模态表征和数据回流持续校正模型。截至 2026 年 6 月，平台已完成 18 轮主动学习驱动的模型-实验闭环，累计生成 1000+ 组实验队列，100+ 组结构化样品数据、12000 多模态表征数据。高通量单元可在 24 小时内完成 300 组样品制备 6 类多模态表征（外观、PL、TR-PL、EL、IV、UV-Vis），单位实验综合成本较传统方式下降 98%，候选体系收敛周期由 30 天缩短至 5 天。低效率样品、失效样品和异常样品同步纳入数据回流，用于识别无效区域、失效边界和工艺敏感条件。
光因科技 · AI4S 白皮书 13 / 16
14 §10 阶段性成果 · 明细 / DETAILS
DETAILS
10.3 AI 驱动工艺优化阶段性成果 在工艺优化环节，平台已建立材料-工艺-性能-稳定性耦合建模能力。平台将涂布参数、退火曲线、环境条件、膜厚、PL/EL 图像、缺陷图像、J-V 曲线和老化轨迹进行联合建模，用于识别关键参数、确定敏感区间、预测薄膜缺陷风险，并输出面向中试放大的工艺窗口。平台已围绕预处理工艺、涂布工艺、真空工艺、激光工艺和封装工艺五类关键工艺，建立 15 个核心工艺窗口参数监测。截至 2026 年 6 月，平台已完成 30 万小时加速老化测试，覆盖全类别光伏组件单一和组合条件加速老化测试。通过对工艺参数、薄膜表征、缺陷图像和老化轨迹进行联合分析，对其中 20 类已追溯至具体缺陷类型、界面行为或工艺节点。
10.4 AI 驱动产线反馈阶段性成果 在产线反馈环节，平台已将研发模型延伸至制造数据闭环。平台接入设备状态、环境参数、在线检测、电性能测试、良率数据和返工信息，用于识别工艺漂移、定位异常来源、评估影响范围。截至 2026 年 6 月，平台已在中试产线接入 6 类产线数据。单片检测耗时由 25 分钟压缩至 20 秒，与资深人员判读一致率达到 96%。在中试产线中，质控模块支持组件级良率较基线提升 15 个百分点，异常定位时间由 4 小时缩短至 8 分钟。产线端数据回流后，可进一步修正候选材料优先级、工艺窗口边界和异常判定规则。
光因科技 · AI4S 白皮书 14 / 16
15 INDUSTRIALIZATION & PARTNERSHIP Nº 11
INDUSTRIALIZATION & PARTNERSHIP
光因科技 AI4S 平台围绕材料发现、实验决策、工艺优化和产线反馈形成的能力，可以服务于材料企业、组件企业、装备企业、科研机构和下游应用伙伴，帮助合作方缩短材料验证周期、降低工艺放大风险，并提升产线质量控制能力。
面向 SAM、钝化剂、界面修饰材料和传输层修饰分子，提供候选分子筛选、第一性原理计算、苗头分子优化和器件级验证能力。
围绕候选材料体系开展实验队列设计、对照组构建、多模态表征、早期稳定性评估和数据回流，加快从候选方案到可验证体系的收敛。
针对特定器件结构、材料体系或制备路线，输出工艺窗口、关键参数区间、质量控制点、异常判定规则和放大验证方案。
将缺陷检测、异常归因、漂移预警和良率优化模型部署到中试线或联合产线，使真实制造数据能够持续反哺材料筛选和工艺优化。
上述合作模式可以根据产业伙伴的能力边界灵活组合。对于材料企业，平台重点提供分子设计、筛选和器件验证能力；对于组件和制造企业，平台重点提供工艺窗口、在线质控和良率优化能力；对于装备和检测企业，平台可共同定义数据接口、在线检测指标和质量模型部署方式。
光因科技 · AI4S 白皮书 15 / 16
16 12 CONCLUSION
CONCLUSION
钙钛矿光伏产业化的核心挑战，已经从单点效率突破转向效率、稳定性、良率、成本和可制造性的系统协同。光因科技选择 AI4S 作为核心方法，是为了在高维材料空间、复杂实验反馈、多尺度工艺放大和真实产线波动之间建立可计算、可验证、可迭代的研发制造体系。
光因科技的长期目标，是建立贯穿钙钛矿电池研发、中试和制造的全链路 AI4S 平台。平台以 AI 驱动材料发现为起点，通过 AI 驱动实验决策提高研发效率，通过 AI 驱动工艺优化建立可放大的工艺窗口，并通过 AI 驱动产线反馈持续校正材料模型和工艺模型。
随着分子数据、实验数据、工艺数据和产线数据持续沉淀，这套系统有望将钙钛矿产业化过程中的不确定性逐步转化为可管理的工程问题。光因科技希望以此形成从科学认知、数据资产、工艺能力到产业协同的长期壁垒，并与产业伙伴共同推进钙钛矿光伏的规模化落地。
科学认知 → 数据资产 → 工艺能力 → 产业协同
把钙钛矿产业化的不确定性，逐步转化为可管理的工程问题。
光因科技 · AI4S 白皮书 16 / 16