2026年7月17日——一项新技术诞生，它使人工智能能够逆向确定量子点发光二极管（QLED）器件的工艺条件，而此前这些条件需要通过大量试错才能识别。

当应用于实际器件时，该技术使效率大约提高了一倍，并将运行寿命延长了40倍以上，这提高了人们对它可能加速下一代显示器开发的期待。

首尔国立大学工程学院宣布，由电气与计算机工程系的Jeonghun Kwak教授和成均馆大学能源科学系的Jaehoon Lim教授领导的联合研究团队，开发了一个基于人工智能的平台，该平台能够逆向设计在QLED制造过程中实现量子点均匀且密集排列的最佳溶剂特性。

该研究得到了韩国科学和信息通信技术部以及韩国国家研究基金会通过未来显示领先技术计划和纳米与材料技术发展计划的支持。研究结果于7月15日在线发表在英国物理学会（IOP）出版的国际著名物理学期刊《Reports on Progress in Physics》上。

量子点LED（QLED）使用称为量子点的纳米级半导体颗粒作为其发光层，被视为下一代显示器的有前景技术。这是因为它们可以通过溶液工艺制造——将液态形式的量子点涂覆在基底上形成薄膜——这使得它们有利于低成本、大面积生产。

为了实现高性能QLED，量子点颗粒必须在薄膜内像砖块一样均匀且密集地排列。挑战在于，在此溶液工艺中用于形成薄膜的溶剂选择会显著影响亮度和寿命。由于很难预测特定溶剂条件如何影响性能，研究人员主要依赖经验和重复实验来寻找最佳条件——这一过程消耗了大量时间和成本。

为了理清这种复杂关系，研究团队训练了一个AI模型，学习溶剂的物理性质与量子点薄膜最终结构之间的关联。他们首先使用五种代表性溶剂制造了量子点薄膜，并通过原子力显微镜（AFM）*量化了表面形成的均匀程度。然后，团队在溶剂特性数据（蒸汽压、粘度、密度、介电常数等）以及相应的薄膜形貌数据上训练了一个机器学习模型，使其能够逆向预测能够产生最均匀量子点薄膜的溶剂特性。

*原子力显微镜（AFM）：一种用精细探针扫描样品表面以测量其高度变化和粗糙度的设备。

虽然没有任何一种单一溶剂具备AI建议的所有最佳特性，但研究团队结合了多种溶剂，以实现在AI方案中所提出的条件。这种复杂的组合——仅通过重复实验很难发现——被应用于实际的QLED制造过程，结果使得器件的效率大约是使用单一常规溶剂制造器件的两倍，而运行寿命则延长了40倍以上。

Kwak教授表示：“这项研究表明，AI可以用于以数据驱动的方式设计显示材料和工艺。我们预计它也可以应用于各种下一代电子设备的开发，包括OLED和太阳能电池。”