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

Batterijen die onze telefoons en elektrische auto's van stroom voorzien, vertrouwen op een delicate interne architectuur. Binnen de positieve elektrode van deze batterijen is het actieve materiaal geen massief, uniform blok, maar een verzameling van minuscule, meerkristallijne deeltjes. Stel je elk deeltje voor als een cluster van microscopische kristallen, of korrels, die dicht tegen elkaar aan liggen. De manier waarop deze korrels georiënteerd en gevormd zijn, is van enorm belang. Terwijl lithiumionen tijdens het laden en ontladen van de batterij in en uit de batterij bewegen, reizen ze langs specifieke paden binnen deze kristallen. Als de korrels niet goed uitgelijnd zijn of als de grenzen tussen hen zwak zijn, hebben de ionen moeite om efficiënt te bewegen, en kan het materiaal barsten onder de spanning van herhaaldelijk gebruik. Om betere, langer houdende batterijen te bouwen, moeten wetenschappers de vorm, grootte en rangschikking van deze korrels met extreme precisie begrijpen.

Om deze minuscule structuren te zien, gebruiken onderzoekers een krachtige beeldvormingstechniek genaamd electron backscatter diffraction. Deze methode vuurt een bundel elektronen af op een gepolijste doorsnede van het batterijmateriaal, wat een kaart produceert die de oriëntatie van elke kristalkorrel onthult. Dit proces is echter pijnlijk traag. Om een helder, gedetailleerd beeld van de korrelgrenzen te krijgen, moet de machine het monster punt voor punt op een zeer hoge resolutie scannen, een taak die vele uren voor een enkel deeltje in beslag kan nemen. Wanneer wetenschappers tientallen deeltjes moeten bestuderen om een betrouwbaar statistisch beeld van een nieuw batterijmateriaal te krijgen, wordt de benodigde tijd een grote flessenhals, waardoor de hele snelheid van ontdekking wordt vertraagd.

Een team van onderzoekers aan de National Laboratory of the Rockies heeft een manier gevonden om deze flessenhals te doorbreken met behulp van een type kunstmatige intelligentie. Ze ontwikkelden een computerprogramma gebaseerd op een generative adversarial network, een systeem waarbij twee neurale netwerken tegen elkaar strijden om zeer realistische afbeeldingen te creëren. In dit geval werd het systeem getraind om een wazig, laag-resolutie beeld van een batterijdeeltje te nemen en de ontbrekende details computationeel "in te vullen" om een scherp, hoog-resolutie versie te maken. De onderzoekers testten deze aanpak op lithium-nikkel-mangaan-kobaltoxide-deeltjes, een veelgebruikt materiaal in elektrische voertuigen. Ze vergeleken de door AI gegenereerde beelden met werkelijke hoog-resolutie scans om te zien of de computer de complexe korrelstructuren nauwkeurig kon recreëren zonder de noodzaak van het trage, urenlange scantoproces.

De resultaten toonden aan dat het AI-systeem traditionele methoden van beeldverbetering aanzienlijk overtrof. Standaardtechnieken, die simpelweg de ontbrekende pixels raden op basis van hun buren, hadden de neiging het beeld te vervagen of onnatuurlijke, blokkerige artefacten te creëren die de kleinste korrels verborgen. In contrast hiermee leerde het AI-model de specifieere patronen van het batterijmateriaal en kon het de fijne details van de korrelgrenzen met opmerkelijke trouw reconstrueren. De onderzoekers ontdekten dat ze een beeld konden vastleggen op een veel lagere resolutie, wat slechts een fractie van de tijd kostte, en het vervolgens met de AI konden opschalen. Specifiek toonden ze aan dat het nemen van een beeld op een resolutie die vijf keer grover is dan gebruikelijk, en het vervolgens verbeteren ervan, resultaten opleverde die bijna niet te onderscheiden waren van de ware hoog-resolutie data. Deze enkele stap vertaalde zich naar een vijfentwintigvoudige toename in snelheid, waardoor een scan die normaal zestien uur zou duren, werd teruggebracht tot slechts één uur.

Het team verifieerde dat deze versnelling niet ten koste ging van de nauwkeurigheid. Ze maten belangrijke eigenschappen van de korrels, zoals hun grootte en vorm, en vonden dat de door AI verbeterde beelden deze details met slechts minimale fouten behielden. Bijvoorbeeld, de geschatte grootte van de korrels en de lengte van de grenzen tussen hen bleven binnen enkele procenten van de werkelijke waarden, zelfs wanneer het originele beeld vijf keer minder gedetailleerd was. Cruciaal was dat de AI erin slaagde de kleine korrels zichtbaar te houden en het verbonden netwerk van grenzen dat het deeltje bij elkaar houdt te handhaven, kenmerken die traditionele methoden vaak verloren of vervormden. Hoewel het systeem enigszins worstelde wanneer de resolutie extreem grof werd gemaakt, bleef het zeer effectief binnen een praktisch bereik dat een enorme tijdbesparing biedt.

Dit werk suggereert dat batterijonderzoekers nu de statistische gegevens die ze nodig hebben veel sneller kunnen verzamelen. In plaats van dagen te wachten om een partij deeltjes te scannen, kunnen ze deeltjes scannen in een fractie van de tijd en vertrouwen op de AI om de nodige details te leveren. Deze capaciteit opent de deur naar het analyseren van grotere gebieden en meer deeltjes, wat leidt tot een dieper begrip van hoe batterijmaterialen zich gedragen. De onderzoekers merkten op dat deze aanpak ook toegepast kan worden op andere materialen, zoals die gebruikt worden in brandstofcellen of zonnepanelen, en zelfs de driedimensionale beeldvormingstechnieken kan versnellen. Door een traag, arbeidsintensief proces in een snel proces te veranderen, biedt deze methode een nieuwe weg naar de versnelde ontwikkeling van de geavanceerde energieopslagsystemen waarvan de wereld steeds meer afhankelijk wordt.