韩国首尔大学研究团队开发出一种基于人工智能（AI）的量子点发光二极管（QLED）制备工艺设计平台，可反向设计量子点薄膜制备条件，预测实现高性能量子点薄膜所需的最佳溶剂组合。将该技术应用于QLED器件制造后，器件效率提升约一倍，运行寿命延长超过40倍。

QLED是一种利用量子点作为发光层的显示技术，被认为是下一代显示技术的重要方向。由于量子点可通过溶液加工方式制备，具有低成本、大面积制造潜力。然而，在制造过程中，量子点颗粒必须像砖块一样，在薄膜中均匀且致密地排列。在这一过程中，用于形成薄膜的溶剂选择会显著影响器件亮度和使用寿命。

过去，由于难以准确预测不同溶剂条件对量子点薄膜形貌和器件性能的影响，因此寻找最佳溶剂组合通常依赖经验和大量实验，不仅耗时，也增加了研发成本。

为解决这一问题，研究团队首先利用5种代表性溶剂制备量子点薄膜，并借助原子力显微镜分析薄膜表面的均匀性。随后，他们将溶剂的蒸气压、黏度、密度、介电常数等物理参数，与薄膜形貌数据共同输入机器学习模型，令AI学习二者之间的复杂关系，并预测能够形成最佳量子点薄膜结构的溶剂条件。

研究团队发现，没有任何一种单一溶剂能够完全满足AI预测出的最佳条件。于是，他们根据AI给出的参数，将多种溶剂进行组合，构建出符合预测要求的复杂溶剂体系，并将其用于实际QLED器件制备。

实验结果显示，与采用传统单一溶剂制造的器件相比，采用AI设计溶剂体系制备的QLED效率提高约一倍，运行寿命延长超过40倍。

研究团队表示，这项成果表明，AI不仅能够用于材料性能预测，还可以参与显示器件制造工艺设计。未来，该方法有望推广至OLED、有机太阳能电池等下一代电子器件研发。