近几年，金属卤化物钙钛矿材料因其具有可溶液法大面积制备、带隙可调、荧光量子效率高等优点，被认为是最有前途的半导体材料之一，在发光二极管(LED)、太阳能电池和激光器等领域有着广泛的应用前景。高质量的钙钛矿薄膜是实现高性能钙钛矿光电器件的关键，引入添加剂至钙钛矿前驱体溶液中，调控钙钛矿结晶、钝化钙钛矿缺陷，已被证实是提升钙钛矿薄膜质量的有效策略。然而目前添加剂分子的设计原则仍不清晰，添加剂的筛选主要依赖于繁琐的器件制备。

机器学习是人工智能（AI）的一个重要分支，主要利用数据或以往经验来优化算法，从而获得新的知识或技能。数据库的数量与质量在机器学习中尤为关键。传统的算法主要基于数以万计的数据量开发，无法在小样本取得良好的结果。然而数据收集成本昂贵，甚至面临无法采集的弊端。以钙钛矿LED为例，从2014年发展至今，数据样本仍较小且在短时间内无法显著提升。

南京工业大学黄维、王建浦、朱琳团队发展了一种深度学习算法(Enhanced Molecular Information Model, EMIM)，可实现多分子指纹、定量描述符的同时输入，这意味着分子的结构信息及理化属性均可被算法所获取，极大了丰富了数据的信息维度。在有限的数据样本下，尽可能地扩充数据的信息，提升数据的质量，实现了小样本的高精度预测。

团队联合瑞典林雪平大学高峰课题组共同构建了132个钙钛矿LED的添加剂分子数据库，再将其与EMIM巧妙地结合，实现了对添加剂分子的预测精度达96%。为了进一步验证EMIM的可靠性，筛选了12个未包含数据库的添加剂，通过对比EMIM预测结果与器件实验结果，发现EMIM的预测精度达到92%，并实现了外量子效率达到22.7%的高性能近红外钙钛矿LED。

该工作不仅提供了添加剂筛选的新思路，对实现高性能钙钛矿光电器件具有重要意义；更为关键的是，为小样本的精确预测提供了可行性方案。