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

为我们的手机和电动汽车提供动力的电池依赖于一种精密的内部架构。在这些电池的正极内部，活性材料并非一个实心的、均匀的整体，而是由许多微小的多晶颗粒组成的集合体。可以将每个颗粒想象成紧密堆积在一起的微观晶体或晶粒簇。这些晶粒的取向和形状至关重要。当锂离子在电池充电和放电过程中进出电池时，它们沿着这些晶体内部特定的路径移动。如果晶粒排列不齐或者晶界过于脆弱，离子的移动效率就会降低，且材料在反复使用产生的压力下可能会发生裂纹。为了制造更好、更耐用的电池，科学家需要极其精确地了解这些晶粒的形状、尺寸和排列方式。

为了观察这些微小的结构，研究人员使用了一种名为电子背散射衍射（EBSD）的强大成像技术。这种方法向电池材料的抛光切片发射电子束，生成一张揭示每个晶粒取向的图谱。然而，这个过程极其缓慢。为了获得清晰、详细的晶界图像，机器必须以极高的分辨率对样品进行逐点扫描，这一过程对于单个颗粒而言可能需要耗费数小时。当科学家需要研究数十个颗粒以获得新电池材料可靠的统计图景时，所需的时间就成为了一个主要的瓶颈，减缓了整个发现的步伐。

落基山国家实验室的一个研究小组发现了一种利用某种人工智能来打破这一瓶颈的方法。他们开发了一个基于生成对抗网络（GAN）的计算机程序，这是一种由两个相互竞争的神经网络来创建高度逼真图像的系统。在这种情况下，该系统经过训练，可以接收电池颗粒模糊的低分辨率图像，并通过计算“填补”缺失的细节，从而创建一个清晰的高分辨率版本。研究人员在锂镍锰钴氧化物颗粒上测试了这种方法，这是一种广泛用于电动汽车的常见材料。他们将 AI 生成的图像与实际的高分辨率扫描图像进行对比，以观察计算机是否能在无需耗时数小时的缓慢扫描过程的情况下，准确地重建复杂的晶粒结构。

结果显示，该 AI 系统显著优于传统的图像增强方法。标准技术仅仅根据相邻像素来猜测缺失的像素，往往会导致图像模糊或产生不自然的块状伪影，从而掩盖了最小的晶粒。相比之下，AI 模型学习了电池材料的特定模式，能够以极高的保真度重建细微的晶界细节。研究人员发现，他们可以捕捉一张分辨率低得多的图像（这仅需极短的时间），然后利用 AI 进行放大。具体而言，他们证明了将图像分辨率设定为通常情况下的五分之一进行拍摄，然后再进行增强，所产生的结果与真实的高分辨率数据几乎无法区分。这一步骤意味着速度提升了 25 倍，将原本需要 16 小时的扫描缩短到了仅 1 小时。

团队验证了这种提速并没有以牺牲准确性为代价。他们测量了晶粒的关键属性，例如大小和形状，发现 AI 增强后的图像仅存在微小的误差，便保留了这些细节。例如，即使原始图像的细节减少了五倍，估算的晶粒尺寸和晶界长度仍保持在真实值的百分之几以内。至关重要的是，AI 成功保持了微小晶粒的可视性，并维持了将颗粒连接在一起的边界网络，而这些特征在传统方法中经常会丢失或变形。虽然当分辨率变得极其粗糙时，该系统会表现出轻微的吃力，但在提供巨大时间节省的实际应用范围内，它仍然非常有效。

这项工作表明，电池研究人员现在可以更快地收集所需的统计数据。研究人员不再需要等待数天来扫描一批颗粒，而是可以在极短的时间内完成扫描，并依靠 AI 来提供必要的细节。这种能力为分析更大面积和更多颗粒打开了大门，从而实现对电池材料行为更深入的理解。研究人员指出，这种方法也可以应用于燃料电池或太阳能电池板等其他材料，甚至可以加速三维成像技术。通过将一个缓慢、劳动密集型的过程转变为快速的过程，该方法为加速世界日益依赖的先进储能系统的开发提供了一条新途径。