1. 北京大学周欢萍课题组、严纯华课题组等合作在高效钙钛矿LED研究中取得重要进展

2. 北理工团队在智能电解液方面取得重要进展

3. 中国科大高速VCO模数转换器芯片实现2.5 GS/s采样速率

1. 北京大学周欢萍课题组、严纯华课题组等合作在高效钙钛矿LED研究中取得重要进展

近日，北京大学周欢萍教授课题组、严纯华院士课题组等研究人员合作，在钙钛矿发光二极管（PeLED）领域取得重要进展。研究团队提出一种“原位纳米晶限域（in-situ nanocrystal confinement）”新策略，通过聚合反应动态限域纳米晶生长，实现了兼具高结晶性和纳米尺度的钙钛矿纳米晶原位可控制备，突破了长期制约钙钛矿发光材料性能提升的关键瓶颈。基于该策略构筑的蓝光PeLED外量子效率（EQE）达到21.8%，达到目前蓝光PeLED领域领先水平，并显著提升了器件运行稳定性。2026年6月11日，相关成果以“In-situ Nanocrystal Confinement for Efficient Blue Perovskite LEDs”为题在《自然》（Nature）上发表。

新型显示与光电信息技术是国家数字经济和高端制造的重要支撑，高性能发光器件在超高清显示、柔性电子、虚拟现实及光通信等领域具有广阔应用前景。卤化铅钙钛矿凭借高荧光量子产率、高色纯度、发光波长可调及低温溶液加工等优势，被认为是极具前景的新型发光材料。近年来，钙钛矿发光二极管（LED）在红光和绿光方向已取得快速发展。然而，对PeLED而言，获得高性能发光始终面临一个核心挑战：一方面，高结晶质量对降低缺陷密度、抑制非辐射复合和提升器件稳定性至关重要；另一方面，纳米尺度晶粒又能够增强载流子限域与辐射复合效率。传统原位结晶过程中，这两种需求往往相互矛盾——提高结晶质量通常伴随晶粒尺寸增大，而强行缩小晶粒又容易引入更多缺陷。

针对这一长期挑战，研究团队提出利用可聚合配体在钙钛矿结晶过程中原位形成聚合物网络，对纳米晶生长进行动态限域调控。该策略能够在抑制晶粒过度长大的同时，延长晶格有序重排过程，从而获得尺寸均一、缺陷密度低且高结晶性的钙钛矿纳米晶。研究发现，该方法不仅显著减小晶粒尺寸，还诱导材料由正交相向立方相的转变，从根本上优化了材料的结构稳定性与发光特性。

钙钛矿纳米晶（NCs）的配体设计与结晶示意图

进一步研究表明，原位限域形成的立方相结构有效减弱了晶格畸变和电子-声子耦合，从而降低非辐射复合损耗并提高发光效率。优化后的钙钛矿薄膜光致发光量子效率（PLQY）达到83%，表现出优异的发光均一性和稳定性。基于该高质量发光层制备的蓝光PeLED器件发射峰位于491nm，峰值EQE达到21.8%，较对照器件实现翻倍提升，同时器件运行稳定性也显著提升6倍以上。研究表明，原位形成的聚合物网络能够有效抑制离子迁移，从而缓解器件工作过程中的性能衰减。

PeLED器件的性能。a：PeLED能级结构。b：OEGA/PEA PeLED的CIE坐标。c—e：PeLED器件的J-V（c）、L-V（d）和EQE-J（e）曲线。f：32个原始及OEGA/PEA PeLED器件的统计直方图

该工作首次系统建立了原位聚合限域策略，为解决PeLED长期面临的效率与稳定性难题提供了新的研究思路。该方法兼具普适性与可拓展性，有望进一步推广至钙钛矿太阳能电池、量子点发光器件及其他新型半导体光电体系，为下一代高性能显示与光电子技术的发展提供了重要基础。

该论文的通讯作者为周欢萍、严纯华和化学与分子工程学院孙聆东教授。合作者还包括埃因霍芬理工大学Shuxia Tao教授课题组、北京理工大学陈棋教授课题组、中国科学院物理研究所王立芬副研究员等。该工作得到了国家自然科学基金委、科技部、北京市自然科学基金、北京分子科学国家研究中心、先进电池材料理论与技术北京市重点实验室等的联合资助。

2. 北理工团队在智能电解液方面取得重要进展

“让高压电解液从经验筛选走向智能发现”——这并非遥远设想，而是北京理工大学材料学院陈楠和陈人杰教授团队面向下一代高能量密度锂电池提出的AI4B研究框架。针对高电压条件下电解液易氧化分解、界面反应复杂、候选配方空间庞大和传统经验试错效率较低等关键瓶颈，团队于2026年6月在《Chemical Society Reviews》（影响因子：39.3）上发表题为“AI for Battery Accelerated Discovery of High-Voltage Electrolytes for Advanced Lithium Batteries”的前瞻性综述，以AI for Battery（AI4B）为主线，系统总结了机器学习在高压电解液结构解析、失效机制分析、分子高通量筛选、配方多目标优化和自驱动闭环研发中的应用进展，并提出将数据驱动模型、物理化学机制、理论计算和实验验证相结合的高压电解液智能发现框架，为高比能锂电池电解液的理性设计提供了新的研究思路。论文第一作者为北京理工大学材料学院2024级博士研究生湛煜，通讯作者为陈楠副教授和陈人杰教授。

从经验试错到AI4B：高压电解液研究范式转变

随着电动汽车、智能装备和大规模储能技术快速发展，锂电池正向更高能量密度和更宽工作电压窗口演进。然而，高电压条件下传统碳酸酯电解液容易发生氧化分解，并诱发气体释放、界面膜失稳、过渡金属溶出和阻抗增长等问题，成为限制高比能锂电池进一步发展的关键瓶颈。与传统依赖经验试错的研究模式相比，机器学习能够在复杂分子结构空间、溶剂化环境和界面反应之间建立数据驱动关联，为高压电解液的快速发现和理性设计提供新的方法基础。

图1：传统电解液研发范式与AI4B范式对比

综述首先从研究范式层面对高压电解液开发进行了重新梳理。传统电解液研究通常以实验经验和逐步试错为主，面对庞大的溶剂、锂盐和添加剂组合空间，往往需要经历长周期筛选和反复验证。该过程不仅研发成本高，而且难以在分子结构、溶剂化行为、界面反应和电池性能之间建立可迁移的定量关系。

AI4B范式则强调以数据和算法为核心，将实验数据、理论计算、分子模拟和机器学习模型有机结合，构建跨尺度、多物理场的研究框架。该范式不仅用于候选分子的高通量筛选，还能够进一步服务于电解液失效机理识别、界面反应路径解析和多目标配方优化。综述指出，AI4B的核心价值在于将高压电解液研究从“经验驱动筛选”推进到“数据驱动预测、理论指导计算和实验验证反馈”相结合的系统化研究模式。

深度学习算法为电解液结构表征和候选分子生成提供工具基础

在算法基础方面，综述系统梳理了循环神经网络、卷积神经网络、图神经网络、生成对抗网络、变分自编码器、流模型、扩散模型和Transformer等代表性深度学习架构。不同模型对应不同类型的数据结构和科学任务：循环神经网络适用于序列数据处理，卷积神经网络适用于图像和谱图特征提取，图神经网络能够天然表达分子结构和相互作用网络，生成模型则可用于候选分子构建和化学空间探索，Transformer架构则在跨模态信息整合和复杂关系建模方面展现出重要潜力。

图2：深度学习算法体系及其在材料研究中的潜在作用

对于高压电解液研究而言，深度学习的关键作用不只是提高预测精度，更在于增强对复杂结构信息的表达能力。分子结构、溶剂化鞘层、界面反应中间体和表征谱图均具有高维、非线性和多尺度耦合特征，传统手工描述符往往难以完整刻画这些信息。深度学习通过自动特征提取和表示学习，为建立分子结构、局域环境、界面行为与宏观性能的关联模型提供了方法支撑。

AI4B视角下高压锂电池研发的阶段演进

综述进一步提出了高压锂电池研发从 HV 1.0 到 HV 3.0 的阶段性演进框架。在HV 1.0阶段，电池工作电压通常低于4.3 V，研究模式主要依赖实验经验、单因素优化和有限的机理模型，研发周期较长，成本较高。进入HV 2.0阶段后，电池工作电压拓展至约4.3–5.0 V，能量密度显著提升，但同时伴随更加复杂的电解液氧化、界面膜演化和电极耦合失效问题。在这一阶段，AI主要作为辅助工具，用于溶剂化结构预测、高通量筛选、代理模型构建、多目标优化和图像识别等任务。

图3：高压锂电池研究从HV 1.0到HV 3.0的演进路径

面向未来HV 3.0阶段，即超过5.0 V并追求更高能量密度的高压电池体系，AI4B有望从辅助分析工具进一步发展为闭环研发平台。其典型特征包括目标导向的电解液逆向设计、可合成性约束下的候选体系生成、自驱动实验室、机器人高通量平台、主动学习驱动的实验策略、数字孪生、多尺度机理建模和跨领域知识迁移。该框架表明，高压电解液设计不再只是寻找单一稳定分子，而是需要在电压稳定性、离子传输、界面成膜、安全性、成本和可制造性之间进行协同优化。

面向未来：电池基础模型、自驱动实验室、模型可解释性与Science for AI

在展望部分，综述指出，高压电解液研究未来仍面临数据稀缺、模型泛化能力不足、复杂界面机制难以定量解析以及实验反馈周期较长等挑战。为推动AI4B从概念框架走向可操作的研究体系，文章提出了四个重点方向：面向电池领域的专用基础模型、自驱动实验室、模型可解释性提升以及Science for AI。

图4：AI4B范式的未来发展方向

其中，电池领域基础模型需要以高质量文献数据、实验数据、计算数据和多模态表征数据为基础，建立能够服务于电解液结构解析、性能预测和候选体系生成的通用表示框架。自驱动实验室则通过机器人实验、高通量测试、实时数据分析和主动学习决策，实现电解液配方的快速迭代优化。模型可解释性对于电池研究尤为重要，因为高压电解液设计不仅要求模型预测准确，更要求模型能够揭示分子结构、溶剂化环境和界面反应之间的物理化学联系。Science for AI则强调从物理、化学、概率统计、群论和神经科学等基础科学中吸收新思想，反向推动更适合科学问题的人工智能方法发展。

团队在吴锋院士牵头下，长期面向国家重大能源需求开展二次电池研究。自20世纪90年代起，团队持续推进镍氢电池关键技术研发，随后在锂离子电池及多电子高比能二次电池新体系方面形成了系统布局与特色积累。近年来，团队在电解液设计、界面调控、智能电池和多尺度机理分析等方向形成了系统积累。该综述的发表进一步体现了团队在人工智能与电化学储能交叉方向的持续布局，也为推动高压锂电池从经验开发走向数据驱动和机制约束相结合的智能研发提供了新的思路。

3. 中国科大高速VCO模数转换器芯片实现2.5 GS/s采样速率

近日，中国科学技术大学集成电路学院胡诣哲教授课题组在高速VCO-based ADC芯片研究中取得重要进展。团队提出一种基于可复位环形压控振荡器的新型模数转换器架构（R-RVCO-based ADC），实现了最高2.5 GS/s采样速率的高性能数据转换，突破了相关架构在高速应用中的关键瓶颈。相关研究成果以“A 0.5–2.5-GS/s Resettable Ring-VCO-Based ADC Eliminating Quantization-Noise Shaping”为题，发表于集成电路领域国际著名期刊《IEEE Journal of Solid-State Circuits》（JSSC）。

随着人工智能（AI）以及超高速无线、有线互联技术的快速发展，面向GHz级带宽信号处理的高速模数转换器（ADC）需求日益迫切。与此同时，先进CMOS工艺正持续向低电压、高集成度方向演进，传统依赖模拟放大器的ADC架构在速度、功耗和工艺可扩展性等方面面临严峻挑战。因此，基于压控振荡器的模数转换器（VCO-based ADC）凭借高度数字化、结构简洁以及对先进工艺的良好适应性，正成为实现高性能数据转换的重要技术方向。然而，其工作频率长期难以突破GHz级瓶颈，成为制约该类架构进一步发展的关键问题。

针对传统VCO-based ADC在奈奎斯特采样条件下面临的相位噪声积分效应和量化噪声受限问题，研究团队从理论分析与架构设计两个层面开展了系统研究。团队建立了统一的行为级模型与噪声分析框架，对多类VCO-based ADC进行了等效建模和噪声推导，揭示了制约VCO-based ADC采样速率提升的关键瓶颈。据此，团队提出一种离散时间开环R-RVCO-based ADC结构（见图1），通过在VCO内部引入差分传递特性，无需额外微分器即可有效抑制相位噪声积分效应，同时避免奈奎斯特带内的量化噪声整形，使信噪比提升约3dB。

图1 提出的高速VCO-based ADC架构图与性能对比图

此外，该架构无需数字差分模块，进一步提高了系统对触发器亚稳态的容忍度和整体鲁棒性。在电路实现方面，团队提出了自适应重置技术，实现了VCO重置电压与振荡摆幅的精确匹配；同时，在粗量化器和细量化器中分别引入动态开关缓冲结构与相位折叠技术，以提高相位提取效率并有效降低硬件开销。该芯片基于22nm CMOS工艺实现（见图2），核心面积仅0.0022 mm⟡，支持500 MS/s至2.5 GS/s的采样速率范围。在2 GS/s采样速率下，实测信噪失真比（SNDR）达到39.1 dB，Walden能效指标（FoM_W）低至31.3 fJ/conv.-step。

图2 芯片图与测试结果

集成电路学院博士生鲁涛为论文第一作者，胡诣哲为通讯作者。该研究工作得到了安徽省集成电路科学与技术重点实验室的支持。