• English

  • 电子科技大学

赵怡程

电子科技大学集成电路科学与工程学院教授、博士生导师,入选国家级青年人才计划(海外)、四川省峨眉计划、洪堡学者、材料基因工程青年科学家。2022年回国建设高通量人工智能实验平台,成立“复杂半导体与器件”课题组,旨在通过开发自动化高通量实验装备与AI算法,构建基于Deepseek部署与微调的材料领域大模型,形成材料领域“AI4Science”研究新范式,从而加速钙钛矿薄膜太阳能电池、AI重构光谱仪、特异性分子传感芯片的开发与应用。2018年-2022年,先后以Humboldt Fellow和Research Scientist身份在德国埃尔朗根-纽伦堡大学(FAU)和赫姆霍兹研究所(HiERN)从事高通量实验和机器学习相关的研发和应用工作,师从Christoph J. Brabec教授;2...

查看更多>>

HM Lab: 高通量人工智能实验平台 | 复杂半导体与器件课题组

High-thorughput experiments + Machine learning for 

Liquids to Electronics: Solution-Processed Semiconductors and Devices

       新材料是科技革命的物质基础。人类对新材料的开发已经从简单材料,如铜、硅等,逐渐过渡到了种类繁多的多元、多相复杂材料体系,如高熵合金、钇钡铜氧超导体等。逐一试错、逐一优化的传统实验方法已难以有效开发海量的新型复杂功能材料;因此,发展全新的材料器件研发模式已迫在眉睫。

       课题组主要从事“高通量实验+人工智能”实验平台的开发与应用研究构建材料领域模型与“AI4Science”研究新范式,加速发现新材料与新原理。高通量实验可实现海量材料及器件的制备和表征,而人工智能算法则提供了材料-器件的大数据实时分析、优化、解读和重构的能力。高通量实验的核心手段包括自动化多通道移液系统,自动化粉末称量与烧结、自动化滴涂/旋涂制膜、自动化成像、自动化荧光、UV-vis-IR吸收谱、自动化光电检测和稳定性表征等;机器学习的核心手段包括基于Expectation-Maximization算法的谱学分析,基于Gaussian-Process-Regression算法的全域优化,基于神经网络的材料领域模型与AI重构模型建立,以及SHAP模型解读等。二者融合的研究方法将极大加速材料及器件的开发与应用,同时也必然催生出全新的器件工作原理。

        课题组面向国家在新能源、食品安全、环境监测等方面的急切需求,通过开发高通量实验工作站与人工智能相结合的研发范式,构建基于Deepseek部署与微调的材料领域大模型,形成材料领域“AI4Science”研究新范式,聚焦于新型钙钛矿太阳能电池、AI重构光谱仪、特异性分子传感器的开发与应用。


研究手段

基于高速移液系统的高通量溶液加工技术 | 基于旋涂和滴凃的高通量薄膜制备技术

自主开发的高通量谱学表征技术及分析方法 | 自主构建机器学习框架及模型解读器


                                           


电子元器件

薄膜太阳能电池 | 重构光谱仪 特异分子传感器

undefined

             

招生招聘  课题组依托于电子薄膜与集成器件国家重点实验室,招收数据挖掘、信号拟合、概率统计、机器学习、自动化、光学仪器、材料物理、光电器件等相关专业的硕/博士生、博士后和专职科研人员;工作地址:四川省成都市西源大道2006号,电子科技大学(清水河校区)