盖世汽车讯 据外媒报道，韩国科学技术院（KAIST）与韩国电子与电信研究所（ETRI）和美国德雷塞尔大学（Drexel University）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，准确率高达99.6%。该方法采用图像识别技术，仅通过检查电池的表面形貌，就能利用人工智能学习准确确定电池的元素组成和充放电次数。相关论文发表在期刊《npj Computational Materials》上。

图片来源：KAIST

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，但它很少用于电池检查。SEM仅在研究现场用于电池分析颗粒大小，并且在电池材料劣化的情况下，从破碎的颗粒和破损形状来预测可靠性。

研究团队认为，如果可以在电池生产过程中像在半导体制造中一样使用自动化SEM检查正极材料的表面，以确定其是否按照所需的成分合成，并且使用寿命可靠，从而降低缺陷率，这一举措将具有开创性。

研究人员训练了一种基于CNN的人工智能，用于自动驾驶汽车，学习电池材料的表面图像，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。研究人员发现，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。

该团队计划使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，最终将其用于检查成分均匀性和预测下一代电池的寿命。

图片来源：KAIST

该项目合作研究员之一、德雷塞尔大学机械工程与力学系的Joshua C. Agar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中的各种动态过程、核聚变中的清洁能源生产，以及对粒子和宇宙基础的理解。”

领导这项研究的韩国科学技术研究院的Seungbum Hong教授表示：“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，可以从微米级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。本研究开发出基于显微图像识别电池材料成分和状态的方法。该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。”