传统材料开发手段主要依据人工收集和分析数据，并通过实验经验进行判断，不仅准确性不高，而且研发周期漫长。而机器学习技术主要依靠机器从先前的实验数据中学习特征并高精度预测新的特性，因此大幅缩短新材料的研发周期，大大节约时间和人力成本。
麻省理工学院Tonio Buonassisi教授课题组牵头的国际联合联合研究团队利用高通量实验平台和机器学习技术在短短2个月内制备并表征了75种新型钙钛矿化合物材料，其中87%的新材料带隙处于1.2-2.4 eV，大幅缩短研发周期，有助于提升钙钛矿基光电子器件的研发突破。传统的材料样品合成制备方法主要采用实验室人工处理，每批次的数量受到限制，且时间周期相对较长，为此研究人员利用自动化技术开发了高通量的材料合成平台，能够实现钙钛矿材料快速批量生产，其速度较传统人工合成提升近35倍。高通量材料制备使得单批次制备的材料数量大幅增加，而这意味着单次实验就有望实现对更多材料性能（光电、物理、化学特性等）的解读（但最终能否实现大批量数据解读取决于是否有大数据的处理能力），有利于缩短实验周期，提升实验效益。基于上述高通量材料合成平台，研究人员在不到两个月时间内制备了75种全新的钙钛矿材料。为了实现对大批量数据的快速收集和分析，研究人员引进了机器学习算法，通过建立钙钛矿材料成分和性能之间的关联搭建了相应的材料模型，实现了输入参量与输出参量之间的关联，可通过不断选择新的参数对模型进行重复训练，研究不同组分对新材料性质的影响。模型研究发现，参量X位（钙钛矿相材料为ABX3型）的元素类型对钙钛矿带隙影响最为明显，如当甲基胺铅碘（MAPbI3）钙钛矿在X位引入部分不同比例溴（Br）元素后，MAPbI3钙钛矿的带隙会发生明显变化，随着掺杂量增加而带隙增大（从0%比例增加到100%比例，带隙从1.5 eV增大到2.35 eV），意味着可以根据实际的用途（即应用在单结还是多结太阳电池），调整材料带隙。对其他位置的元素替代掺杂（如B位的锡[Sn]元素掺杂）也可以实现对钙钛矿带隙的调谐，只是影响没有X位显著。模拟结果显示，75种新型钙钛矿中87%样品的带隙在1-2.4 eV，都符合单结或者多结太阳电池的需求。研究人员进一步通过模型实现对新钙钛矿材料相结构（区分钙钛矿属于三维、二维还是零维）的快速识别，整个识别效率较传统的人工X射线检测提升了近10倍，且准确率高达90%。最关键的是，研究人员将上述机器学习研究结果应用于实践，制备铅卤化物和无铅钙钛矿，实验结果与模拟吻合度高，表明上述方法具有很好的可靠性。
该项研究一方面利用机器学习技术实现了对新钙钛矿材料组分和性能数据的快速学习分析预测，较传统方法效率提升近10倍；另一方面利用高通量材料合成平台实现材料的批量合成，较传统方法提升近35倍。两者结合大幅缩短新钙钛矿材料研发周期，对钙钛矿太阳电池器件研发突破和商业化具有重大推动作用。相关研究成果发表在《Joule》。
