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

हमारे फोन और इलेक्ट्रिक कारों को शक्ति देने वाली बैटरियां एक नाजुक आंतरिक संरचना पर निर्भर करती हैं। इन बैटरियों के धनात्मक इलेक्ट्रोड (positive electrode) के भीतर, सक्रिय सामग्री एक ठोस, एकसमान ब्लॉक नहीं है, बल्कि सूक्ष्म, बहु-कणों वाले कणों का एक संग्रह है। प्रत्येक कण को सूक्ष्म क्रिस्टल या दानों (grains) के एक समूह के रूप में कल्पना करें, जो आपस में जुड़े हुए हैं। इन दानों का ओरिएंटेशन (orientation) और आकार अत्यंत महत्वपूर्ण होता है। जैसे ही चार्जिंग और डिस्चार्जिंग के दौरान लिथियम आयन बैटरी के भीतर आते और जाते हैं, वे इन क्रिस्टलों के भीतर विशिष्ट पथों के माध्यम से यात्रा करते हैं। यदि दाने गलत तरीके से संरेखित (misaligned) हैं या उनके बीच की सीमाएं कमजोर हैं, तो आयनों को कुशलतापूर्वक चलने में कठिनाई होती है, और बार-बार उपयोग के तनाव के कारण सामग्री में दरारें आ सकती हैं। बेहतर, लंबे समय तक चलने वाली बैटरियां बनाने के लिए, वैज्ञानिकों को इन दानों के आकार, माप और व्यवस्था को अत्यधिक सटीकता के साथ समझने की आवश्यकता है।

इन सूक्ष्म संरचनाओं को देखने के लिए, शोधकर्ता 'इलेक्ट्रॉन बैकस्कैटर डिफ्रैक्शन' नामक एक शक्तिशाली इमेजिंग तकनीक का उपयोग करते हैं। यह विधि बैटरी सामग्री के एक पॉलिश किए गए स्लाइस पर इलेक्ट्रॉनों की एक बीम छोड़ती है, जिससे एक ऐसा मानचित्र तैयार होता है जो प्रत्येक क्रिस्टल दाने के ओरिएंटेशन को प्रकट करता है। हालांकि, यह प्रक्रिया बेहद धीमी है। ग्रेन बाउंड्रीज़ (grain boundaries) की स्पष्ट और विस्तृत तस्वीर प्राप्त करने के लिए, मशीन को नमूने को बहुत उच्च रिज़ॉल्यूशन पर बिंदु दर बिंदु स्कैन करना पड़ता है, जो एक एकल कण के लिए कई घंटों का कार्य हो सकता है। जब वैज्ञानिकों को एक नए बैटरी सामग्री की विश्वसनीय सांख्यिकीय तस्वीर प्राप्त करने के लिए दर्जनों कणों का अध्ययन करने की आवश्यकता होती है, तो आवश्यक समय एक बड़ी बाधा बन जाता है, जिससे खोज की पूरी गति धीमी हो जाती है।

नेशनल लैबोरेटरी ऑफ द रॉकीज़ के शोधकर्ताओं ने एक प्रकार के आर्टिफिशियल इंटेलिजेंस का उपयोग करके इस बाधा को तोड़ने का एक तरीका खोजा है। उन्होंने 'जेनरेटिव एडवरसैरियल नेटवर्क' (generative adversarial network) पर आधारित एक कंप्यूटर प्रोग्राम विकसित किया है, जो एक ऐसी प्रणाली है जहाँ दो न्यूरल नेटवर्क अत्यधिक यथार्थवादी चित्र बनाने के लिए एक-दूसरे के विरुद्ध प्रतिस्पर्धा करते हैं। इस मामले में, सिस्टम को बैटरी के एक धुंधले, कम रिज़ॉल्यूशन वाले चित्र को लेने और कम्प्यूटेशनल रूप से उसमें छूटे हुए विवरणों को भरने के लिए प्रशिक्षित किया गया था ताकि एक स्पष्ट, उच्च-रिज़ॉल्यूशन वाला संस्करण बनाया जा सके। शोधकर्ताओं ने इस दृष्टिकोण का परीक्षण लिथियम-निकल-मैंगनीज-कोबाल्ट-ऑक्साइड कणों पर किया, जो इलेक्ट्रिक वाहनों में उपयोग की जाने वाली एक सामान्य सामग्री है। उन्होंने वास्तविक उच्च-रिज़ॉल्यूशन वाले स्कैन के विरुद्ध AI-जनित छवियों की तुलना की ताकि यह देखा जा सके कि क्या कंप्यूटर बिना किसी धीमे, घंटों लंबे स्कैनिंग प्रक्रिया के जटिल ग्रेन संरचनाओं को सटीक रूप से पुनर्गठित कर सकता है।

परिणामों ने दिखाया कि AI सिस्टम पारंपरिक इमेज एन्हांसमेंट (image enhancement) विधियों से काफी बेहतर प्रदर्शन करता है। मानक तकनीकें, जो केवल अपने पड़ोसियों के आधार पर छूटे हुए पिक्सेल का अनुमान लगाती हैं, चित्र को धुंधला कर देती हैं या अप्राकृतिक, ब्लॉक जैसी आकृतियाँ बना देती हैं जो सबसे छोटे दानों को छिपा देती हैं। इसके विपरीत, AI मॉडल ने बैटरी सामग्री के विशिष्ट पैटर्न को सीखा और ग्रेन बाउंड्रीज़ के सूक्ष्म विवरणों को उल्लेखनीय सटीकता के साथ पुनर्गठित किया। शोधकर्ताओं ने पाया कि वे बहुत कम रिज़ॉल्यूशन पर एक छवि कैप्चर कर सकते हैं, जिसमें केवल एक अंश समय लगता है, और फिर उसे अपस्केल (upscale) करने के लिए AI का उपयोग कर सकते हैं। विशेष रूप से, उन्होंने प्रदर्शित किया कि सामान्य से पांच गुना अधिक मोटे (coarser) रिज़ॉल्यूशन पर एक छवि लेना, और फिर उसे बेहतर बनाना, ऐसे परिणाम देता है जो वास्तविक उच्च-रिज़ॉल्यूशन डेटा से लगभग अभिन्न (indistinguishable) हैं। यह एकल चरण बीस-पाँच गुना गति में वृद्धि के बराबर था, जिसने सोलह घंटे के स्कैन को मात्र एक घंटे में बदल दिया।

टीम ने सत्यापित किया कि यह गति-वृद्धि सटीकता की कीमत पर नहीं आई। उन्होंने दानों के आकार और आकृति जैसे प्रमुख गुणों को मापा, और पाया कि AI-उन्नत चित्र इन विवरणों को केवल मामूली त्रुटियों के साथ संरक्षित करते हैं। उदाहरण के लिए, दानों का अनुमानित आकार और उनके बीच की सीमाओं की लंबाई वास्तविक मूल्यों के कुछ प्रतिशत के भीतर रही, भले ही मूल छवि पांच गुना कम विस्तृत थी। महत्वपूर्ण रूप से, AI ने सूक्ष्म दानों को दृश्यमान बनाए रखा और उन सीमाओं के जुड़े हुए नेटवर्क को भी बरकरार रखा जो कण को थामे रखता है—वे विशेषताएं जिन्हें पारंपरिक विधियां अक्सर खो देती हैं या विकृत कर देती हैं। हालांकि सिस्टम थोड़ा संघर्ष करता है जब रिज़ॉल्यूशन अत्यधिक मोटा (coarse) कर दिया जाता है, लेकिन यह एक व्यावहारिक सीमा के भीतर अत्यधिक प्रभावी बना रहा जो भारी समय की बचत प्रदान करता है।

यह कार्य सुझाव देता है कि बैटरी शोधकर्ता अब बहुत तेज़ी से आवश्यक सांख्यिकीय डेटा एकत्र कर सकते हैं। कणों के एक बैच को स्कैन करने के लिए दिनों तक प्रतीक्षा करने के बजाय, वे एक अंश समय में उन्हें स्कैन कर सकते हैं और विवरण प्रदान करने के लिए AI पर भरोसा कर सकते हैं। यह क्षमता बड़े क्षेत्रों और अधिक कणों के विश्लेषण का मार्ग खोलती है, जिससे बैटरी सामग्रियों के व्यवहार की गहरी समझ मिलती है। शोधकर्ताओं ने उल्लेख किया कि इस दृष्टिकोण को ईंधन सेल या सौर पैनलों में उपयोग की जाने वाली अन्य सामग्रियों पर भी लागू किया जा सकता है, और यह थ्री-डायमेंशनल (3D) इमेजिंग तकनीकों को भी गति दे सकता है। एक धीमी, श्रम-गहन प्रक्रिया को एक तीव्र प्रक्रिया में बदलकर, यह विधि उन्नत ऊर्जा भंडारण प्रणालियों के विकास को तेज करने का एक नया मार्ग प्रदान करती है, जिस पर दुनिया तेजी से निर्भर हो रही है।