Enhancing EBSD throughput of battery electrode materials using super-resolution generative adversarial networks

تعتمد البطاريات التي تشغل هواتفنا وسياراتنا الكهربائية على بنية داخلية دقيقة. فداخل القطب الموجب لهذه البطاريات، لا تكون المادة النشطة كتلة صلبة ومتجانسة، بل هي مجموعة من الجسيمات الدقيقة متعددة الحبيبات. تخيل كل جسيم كأنه عنقود من البلورات أو الحبيبات المجهرية المتراصة معاً. إن طريقة توجيه وشكل هذه الحبيبات تكتسب أهمية بالغة؛ فبينما تتحرك أيونات الليثيوم ذهاباً وإياباً داخل البطارية أثناء الشحن والتفريغ، فإنها تسلك مسارات محددة داخل هذه البلورات. وإذا كانت الحبيبات غير متوافقة في التوجيه أو إذا كانت الحدود بينها ضعيفة، فإن الأيونات تجد صعوبة في الحركة بكفاءة، ويمكن للمادة أن تتشقق تحت وطأة الاستخدام المتكرر. ومن أجل بناء بطاريات أفضل وأطول عمراً، يحتاج العلماء إلى فهم شكل وحجم وترتيب هذه الحبيبات بدقة متناهية.

ولرؤية هذه الهياكل الدقيقة، يستخدم الباحثون تقنية تصوير قوية تسمى حيود الإلكترونات المرتدة. وتعمل هذه الطريقة عبر إطلاق شعاع من الإلكترونات على شريحة مصقولة من مادة البطارية، مما ينتج خريطة تكشف عن اتجاه كل حبيبة بلورية. ومع ذلك، فإن هذه العملية بطيئة للغاية؛ فمن أجل الحصول على صورة واضحة ومفصلة لحدود الحبيبات، يجب على الجهاز مسح العينة نقطة بنقطة بدقة عالية جداً، وهي مهمة قد تستغرق ساعات عديدة لجسيم واحد. وعندما يحتاج العلماء إلى دراسة عشرات الجسيمات للحصول على صورة إحصائية موثوقة لمادة بطارية جديدة، يصبح الوقت المطلوب يمثل عائقاً رئيسياً يبطئ وتيرة الاكتشاف بأكملها.

لقد وجد فريق من الباحثين في المختبر الوطني في روكي طريقة لكسر هذا العائق باستخدام نوع من الذكاء الاصطناعي. فقد طوروا برنامجاً حاسوبياً يعتمد على "الشبكة التنافسية التوليدية"، وهو نظام حيث تتنافس شبكتان عصبيتان ضد بعضهما البعض لإنشاء صور واقعية للغاية. وفي هذه الحالة، تم تدريب النظام على أخذ صورة ضبابية ومنخفضة الدقة لجسيم بطارية، ثم "ملء" التفاصيل المفقودة حاسوبياً لإنشاء نسخة حادة وعالية الدقة. وقد اختبر الباحثون هذا النهج على جسيمات أكسيد الليثيوم والنيكل والمنغنيز والكوبالت، وهي مادة شائعة مستخدمة في المركبات الكهربائية. وقارنوا الصور التي أنتجها الذكاء الاصطناعي بالمسوحات الفعلية عالية الدقة ليروا ما إذا كان بإمكان الكمبيوتر إعادة إنشاء هياكل الحبيبات المعقدة دون الحاجة إلى عملية المسح البطيئة التي تستغرق ساعات طويلة.

وأظهرت النت النتائج أن نظام الذكاء الاصطناعي تفوق بشكل كبير على الطرق التقليدية لتحسين الصور. فالتقنيات القياسية، التي تقوم ببساطة بتخمين البكسلات المفقودة بناءً على جيرانها، كانت تميل إلى جعل الصورة ضبابية أو إنشاء عيوب غير طبيعية ذات شكل مربعي تحجب أصغر الحبيبات. في المقابل، تعلم نموذج الذكاء الاصطناعي الأنماط المحددة لمادة البطارية واستطاع إعادة بناء التفاصيل الدقيقة لحدود الحبيبات بدقة مذهلة. ووجد الباحثون أنه يمكنهم التقاط صورة بدقة أقل بكثير من المعتاد، وهو ما يستغرق جزءاً بسيطاً من الوقت، ثم استخدام الذكاء الاصطناعي لرفع دقتها. وتحديداً، أثبتوا أن التقاط صورة بدقة أقل بخمس مرات من المعتاد، ثم تحسينها، أنتج نتائج لا يمكن تمييزها تقريباً عن البيانات الحقيقية عالية الدقة. وقد ترجمت هذه الخطوة الواحدة إلى زيادة في السرعة بمقدار خمسة وعشرين ضعفاً، حيث قلصت عملية مسح كانت تستغرق عادة ست عشرة ساعة إلى ساعة واحدة فقط.

وقد تحقق الفريق من أن هذا التسريع لم يأتِ على حساب الدقة. فقد قاموا بقياس الخصائص الرئيسية للحبيبات، مثل الحجم والشكل، ووجدوا أن الصور المحسنة بالذكاء الاصطناعي حافظت على هذه التفاصيل مع أخطاء طفيفة فقط. فعلى سبيل المثال، ظل تقدير حجم الحبيبات وطول الحدود بينها ضمن بضعة بالمائة من القيم الحقيقية، حتى عندما كانت الصورة الأصلية أقل تفصيلاً بخمس مرات. والأهم من ذلك، نجح الذكاء الاصطناعي في إبقاء الحبيبات الصغيرة مرئية والحفاظ على الشبكة المتصلة من الحدود التي تمسك الجسيم معاً، وهي ميزات غالباً ما تفقدها أو تشوهها الطرق التقليدية. وبينما واجه النظام صعوبة طفيفة عندما أصبحت الدقة خشنة للغاية، إلا أنه ظل فعالاً للغاية ضمن نطاق عملي يوفر توفيراً هائلاً في الوقت.

ويشير هذا العمل إلى أن باحثي البطاريات يمكنهم الآن جمع البيانات الإحصائية التي يحتاجون إليها بشكل أسرع. فبدلاً من الانتظار لأيام لمسح دفعة من الجسيمات، يمكنهم مسحها في جزء ضئيل من الوقت والاعتماد على الذكاء الاصطناعي لتوفير التفاصيل اللازمة. وتفتح هذه القدرة الباب لتحليل مساحات أكبر ومزيد من الجسيمات، مما يؤدي إلى فهم أعمق لكيفية سلوك مواد البطاريات. وأشار الباحثون إلى أنه يمكن أيضاً تطبيق هذا النهج على مواد أخرى، مثل تلك المستخدمة في خلايا الوقود أو الألواح الشمسية، ويمكنه أيضاً تسريع تقنيات التصوير ثلاثي الأبعاد. ومن خلال تحويل عملية بطيئة ومجهدة إلى عملية سريعة، يوفر هذا الأسلوب مساراً جديداً لتسريع تطوير أنظمة تخزين الطاقة المتقدمة التي يعتمد عليها العالم بشكل متزايد.