一个国际合作研究团队开发出了一种图像识别技术，该技术可以通过仅检查电池的表面形貌并使用人工智能学习来准确确定电池的元素组成和充放电循环次数。
韩国科学技术院(KAIST)材料科学与工程系的SeungbumHong教授与韩国电子通信研究院(ETRI)以及美国德雷塞尔大学合作，开发出了一种利用卷积神经网络(CNN)预测NCM正极材料主要元素组成和充放电状态的方法，准确率达99.6%。
研究团队指出，虽然扫描电子显微镜(SEM)在半导体制造中用于检查晶圆缺陷，但在电池检查中却很少使用。SEM仅在研究现场用于分析电池中的颗粒大小，并且在电池材料劣化的情况下，根据破碎的颗粒和破碎的形状来预测可靠性。
研究团队认为，如果能将自动化SEM应用于电池生产过程中，就像半导体制造一样，检查正极材料的表面，确定其是否按照所需的成分合成，寿命是否可靠，从而降低缺陷率，那将具有开创性的意义。
CNN模型对不同条件下含有添加剂的NCM正极材料SEM图像的预测准确度。图片来源：KAIST材料成像与集成实验室
研究人员训练了一种适用于自动驾驶汽车的基于CNN的人工智能，使其学习电池材料的表面图像，从而预测正极材料的主要元素组成和充放电循环状态。他们发现，虽然该方法可以准确预测含有添加剂的材料成分，但预测充放电状态的准确性较低。
该团队计划利用通过不同工艺生产的各种电池材料形态进一步训练人工智能，最终用于检查成分均匀性并预测下一代电池的寿命。
该项目合作研究员之一、德雷塞尔大学机械工程与力学系教授乔舒亚·C·阿加尔表示，“未来，人工智能不仅有望应用于电池材料，还将应用于功能材料合成中的各种动态过程、聚变中的清洁能源生产，以及理解粒子和宇宙的基础。”
领导这项研究的韩国科学技术研究院(KAIST)教授SeungbumHong表示：“这项研究意义重大，因为它是世界上第一个开发基于人工智能的方法，可以根据微米级SEM图像的结构数据快速准确地预测电池的主要元素组成和状态。
“本研究开发的基于显微图像识别电池材料成分和状态的方法有望在提高未来电池材料的性能和质量方面发挥关键作用。”
这项研究由韩国科学技术研究院材料科学与工程系毕业生JiminOh博士和JiwonYeom博士(共同第一作者)与ETRI的JoshAgar教授和KwangManKim博士合作进行。