一种新的计算机视觉算法，用于识别锂离子电池阴极中的颗粒，已帮助研究人员跟踪阴极随时间的退化情况。
新型的机器学习方法可洞悉锂离子电池的降解方式，并表明它比许多人想象的要复杂。
锂离子电池会随着时间的流失而流失，导致科学家和工程师努力工作以详细了解该过程。现在，能源部SLAC国家加速器实验室的科学家已经将先进的机器学习算法与X射线断层扫描数据相结合，以产生一张详细的图片，说明一种电池组件（正极）如何随着使用而退化。
该新闻报道本月发表在《自然通讯》上，重点关注如何更好地可视化镍锰钴或NMC制成的阴极中发生的事情。在这些阴极中，NMC颗粒通过导电碳基质固定在一起，研究人员推测，性能下降的原因之一可能是颗粒脱离了该基质。该团队的目标是将SLAC的斯坦福同步辐射辐射光源（SSRL）和欧洲同步辐射辐射设施（ESRF）的尖端功能相结合，以全面了解NMC粒子如何分裂和脱离基质以及其如何做出贡献造成性能损失。
一种新的计算机视觉算法可以更好地识别镍锰钴阴极的X射线断层扫描图像中的颗粒。较旧的方法会将单个破裂的粒子误认为是几个不同的粒子，而新方法可以分辨出差异。
当然，仅通过查看NMC阴极的图片来了解发生的情况是一个很高的要求，因此该团队转向了计算机视觉，这是机器学习算法的一个子领域，最初旨在扫描图像或视频并识别和跟踪狗或汽车之类的物体。
即使那样，仍然存在挑战。计算机视觉算法通常会在由明线或暗线定义的边界处归零，因此很难区分粘在一起的几个小NMC颗粒和单个大但部分破裂的NMC颗粒。在大多数计算机视觉系统中，这些裂缝看起来像是干净的裂缝。
为了解决这个问题，研究小组使用了一种算法来处理分层对象，例如拼图游戏，尽管它由许多个体组成，但我们仍将其视为一个完整的实体。在研究人员自己的输入和判断下，他们训练了该算法以区分不同种类的颗粒，从而绘制了三维图，显示了NMC颗粒（无论大小，是否破裂）如何脱离阴极。
他们发现，至少在某些情况下，从碳基质上脱落下来的颗粒确实确实在很大程度上助长了电池的性能下降，例如智能手机之类的消费电子产品。
第二，SLAC的研究人员刘益进说，虽然大型NMC粒子更有可能受到破坏并脱落，但也有相当多的较小粒子也脱落了，总的来说，小粒子的行为方式存在更多差异。新论文的高级作者。这很重要，因为研究人员普遍认为，通过使电池颗粒更小，它们可以制造寿命更长的电池–新研究表明，这一点可能并非如此简单。
参考：江志森，李继周，杨阳，牟林琴，魏晨曦，于锡谦，皮耶罗·皮安内塔，赵可杰，彼得·克洛滕斯，“锂离子电池正极中颗粒碳/粘合剂脱离的机器学习揭示统计数据”，林峰和刘一金，2020年5月8日，自然通讯.DOI：
10.1038 / s41467-020-16233-5
SSRL是美国能源部科学办公室的用户设施。其他作者包括来自霍华德·休斯医学研究所，欧洲同步辐射器，弗吉尼亚理工学院和州立大学，中国科学院和普渡大学的研究人员。SLAC的研究得到了美国能源部科学办公室的支持。
引文：姜志森，李继洲等，自然通信，2020年5月8日（10.1038 / s41467-020-16233-5）
