斯坦福大学的斯坦研究人员利用人工智能分析原子级图像中的大量数据,回答了一个悬而未决的福研I分问题:传统锂离子电池会受到一种新兴的可充电电池的冲击。如今的析电像中消耗可充电电池是一大奇迹,但远非完美。池图此降池因为它们最终都会磨损,原低电更换和回收会带来高昂的活动音乐节精彩瞬间成本。
“但如果电池坚不可摧呢?”斯坦福大学(Stanford University)材料科学与工程副教授 William Chueh 发出了这样的斯坦疑问。他首创了一种制造环保电池的福研I分分析方法,电池的析电像中消耗永久循环利用将不再是遥不可及,该项研究发表在《自然材料》期刊。池图此降池
Chueh 教授、原低电21 级一作博士生 Haitao D. Deng 与劳伦斯伯克利国家实验室(Lawrence Berkeley National Laboratory)、活动烹饪教程麻省理工学院(MIT)以及其他研究机构的斯坦合作者们,利用人工智能分析了新型原子级显微图像,福研I分以准确了解电池磨损的析电像中消耗原因。
他们说,最终这些发现可能会帮助延长如今电池的使用寿命。
纳米断裂
具体来讲,他们研究了一种基于 LFP 材料的特定类型的锂离子电池,这可能会导致电动汽车进入大众市场,因为它不使用供应链受限的化学品。
“把电池想象成一个陶瓷咖啡杯,在加热和冷却时会膨胀和收缩。美食探店这些变化最终会导致陶瓷出现裂痕,”Chueh 教授解释道。“每次充电时,充电电池中的材料都会产生相同的作用,然后耗尽电量,导致故障。”Chueh 教授指出,在电池中,导致裂缝的不是温度,而是材料在每次充电循环中相互产生的机械变形。
然而我们对原子结合的纳米尺度上发生的事情知之甚少,这些新型高分辨率显微镜技术使我们能够看到它,人工智能可以帮助我们了解正在发生的事情。我们首次在单纳米尺度上可视化和测量这些力。任何给定材料的性能都是其化学和原子尺度材料中物理相互作用的函数,Chueh 教授称之为“化学动力学”。而且,物体越小,组成材料的原子越多样,就越难预测材料的行为。
▲ 艺术家结合机器学习、X 射线和电子显微镜对粒子间的相互作用进行了分析(图像来源:Ella Maru Studio)。
AI 是一种革命性工具
使用 AI 进行图像分析并不新鲜,但使用它来研究最小尺度的原子间的相互作用却是新鲜事。在医学领域,人工智能已经成为一种革命性工具,可以分析从膝盖缺陷到致命癌症等各种疾病的图像。与此同时,在材料科学领域,高分辨率 X 射线、电子和中子显微镜的新方法允许在纳米尺度上直接可视化。
研究团队选择了磷酸铁锂(LFP),这是一种用于正极的知名材料,在电动汽车制造商和其他电池密集型企业中越来越受欢迎。这种电极不含许多商用电池都使用的钴和镍。尽管电价更高,LFP 电池也更安全。
尽管 LFP 已经被研究了 20 年,但面临两个关键的突出技术问题,迄今为止人们还只能靠猜测。第一个涉及了解材料在充电和放电时的弹性和变形。第二个涉及它在 LFP 部分稳定或“亚稳定”的特定机制中如何扩展和收缩。
Deng 首次使用他的图像学习技术帮助解释了这两个问题,他将其应用于由扫描透射电子显微镜产生的一系列二维图像,以及利用光谱仪-层叠衍射成像技术获得的高级 X 射线图像。他说,这些发现对电池的容量、能量保持率和速率都很重要。更妙的是,他认为可以推广到大多数也可以制造良好电极的晶体材料。他说:“人工智能可以帮助我们了解这些物理关系,这些关系对于预测新电池的性能、在实际使用中的可靠性以及材料如何随着时间的推移而退化至关重要。”
研究的新方向
Chueh 教授称呼 Deng 为“学术企业家”。他有化学家的背景,但他同时自学了些人工智能理论,以应对材料领域的这一挑战。Deng 说,这种方法采取一种“逆向学习”形式,其中的结果是已知的,即退化 LFP 的高分辨率静止图像,而人工智能有助于重建物理学来解释它是如何实现的。反过来,这些新知识会成为改进材料的基础。
Deng 指出,以前的非人工智能研究已经阐明了机械应力如何影响电极耐久性的相关性,但目前利用新方法获得的发现不仅令人振奋,也为基本理解其中发挥作用的力学原理提供了动力。
研究人员表示,接下来他们将致力于利用他们的技术在原子水平上阐明有前景的新电池设计思路。其中一个结果可能是制造新型电池控制软件,它可以通过提高电池寿命的方式管理充电和放电。另一个令人兴奋的途径是开发更精确的计算模型,使电池工程师能够在计算机上而不是在实验室中探索电极材料替代品。
“这项工作已经在进行中,”Chueh 教授说。“人工智能可以帮助我们以新的方式看待旧材料,或许可以从一些尚未可知的材料中找出一些有前途的替代品。”