一个国际联合研究团队开发了一种图像识别技术，该技术仅通过利用人工智能学习分析电池的表面形态，就能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Seungbum Hong教授与美国电子和电信研究学院（ETRI）和德雷塞尔大学合作，开发出了一种使用卷积神经网络（CNN）以99.6%的准确率预测NCM正极材料的主要元素组成和充放电状态的方法。

相关论文已发表在《npj Computational Materials》期刊上。

研究团队指出，尽管扫描电子显微镜（SEM）在半导体制造中用于检测晶圆缺陷，但在电池检测中却很少使用。SEM仅在研究现场用于分析电池中颗粒的大小，并根据破裂颗粒和破裂形状来预测电池材料在劣化情况下的可靠性。

研究团队认为，如果能在电池生产过程中像半导体制造那样使用自动化SEM，检查正极材料的表面，以确定其是否按照预期的成分合成，以及寿命是否可靠，从而降低缺陷率，那么这将是一项开创性的工作。

研究人员训练了一个适用于自动驾驶汽车的基于卷积神经网络（CNN）的人工智能系统，以学习电池材料的表面图像，从而使其能够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的组成，但在预测充放电状态方面的准确性较低。

研究团队计划进一步训练该人工智能系统，以识别通过不同工艺生产的各种电池材料形态，并最终将其用于检查下一代电池的组成均匀性和预测其使用寿命。

来自德雷塞尔大学机械工程与力学系的合作研究人员之一约书亚·C·阿加教授表示：“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的各种动态过程、聚变中的清洁能源生产以及粒子和宇宙基础的理解。”

领导这项研究的韩国科学技术院（KAIST）的洪胜斌教授指出：“这项研究具有重要意义，因为它是世界上第一个开发出基于人工智能的方法论，能够从微米级扫描电子显微镜（SEM）图像的结构数据中快速准确地预测电池的主要元素组成和状态。”

“本研究开发的基于微观图像识别电池材料组成和状态的方法论，预计将在未来提高电池材料的性能和质量方面发挥关键作用。”

这项研究由KAIST材料科学与工程系的毕业生、共同第一作者吴智敏博士和严志元博士与来自电子和电信研究学院（ETRI）的乔希·阿加教授和金光满博士合作完成。