材料表征，即通過(guò)各種物理、化學(xué)等測(cè)試方法，揭示和確定材料的結(jié)構(gòu)特征，是科學(xué)家理解鋰離子電池電極及其性能限制的基礎(chǔ)方式?；趯?shí)驗(yàn)室的表征技術(shù)地進(jìn)步，科學(xué)家們已經(jīng)對(duì)電極的結(jié)構(gòu)和功能關(guān)系產(chǎn)生了許多強(qiáng)有力的見(jiàn)解，但還有更多未知情況等待探索。該技術(shù)的進(jìn)一步地改進(jìn)，取決于對(duì)材料中復(fù)雜的物理異質(zhì)性的更深入理解。

然而，表征技術(shù)的實(shí)際局限性，限制了科學(xué)家直接組合數(shù)據(jù)的能力。例如，某些表征技術(shù)會(huì)對(duì)材料造成破壞，因此無(wú)法對(duì)同一區(qū)域進(jìn)行其他參數(shù)的分析。幸運(yùn)的是，人工智能技術(shù)擁有巨大潛力，可以整合傳統(tǒng)表征技術(shù)所收集的數(shù)據(jù)，從而構(gòu)建具有代表性的 3D 多模式數(shù)據(jù)集。

從以上觀點(diǎn)出發(fā)，美國(guó)國(guó)家可再生能源實(shí)驗(yàn)室（National Renewable Energy Laboratory，NREL）以及英國(guó)帝國(guó)理工學(xué)院（Imperial College London）的研究團(tuán)隊(duì)發(fā)表綜述，概述了基于實(shí)驗(yàn)室的鋰離子電極表征技術(shù)的最新進(jìn)展。同時(shí)，他們也討論了人工智能方法如何結(jié)合和增強(qiáng)這些技術(shù)，例如風(fēng)格遷移、生成、超分辨率和多模態(tài)融合。

該綜述以「Machine-Learning-Driven Advanced Characterization of Battery Electrodes」為題，于 2022 年 11 月 9 日發(fā)布在《ACS Energy Letters》。

「你無(wú)法衡量的東西，你便無(wú)法管理它?！惯@是一句管理學(xué)格言。這句格言同樣適用于鋰離子電池技術(shù)領(lǐng)域。鋰離子電池的性能與許多材料特性有關(guān)，涉及空間和時(shí)間變化相關(guān)的化學(xué)、晶體學(xué)和形態(tài)學(xué)等。

自鋰離子電池首次商業(yè)化以來(lái)，管理和調(diào)整這些特性從而獲得良好的電池性能，已經(jīng)使鋰離子電池有了相當(dāng)大的改進(jìn)。通常，材料特性的確定，需要使用先進(jìn)的表征技術(shù)來(lái)完成，但由于分析設(shè)備的實(shí)際限制，仍有很多參數(shù)無(wú)法測(cè)量。

在過(guò)去十年中，人工智能技術(shù)在增強(qiáng)、合并、預(yù)測(cè)、分類(lèi)以及人工生成數(shù)據(jù)方面均取得了長(zhǎng)足進(jìn)步。與此同時(shí)，現(xiàn)在的材料表征設(shè)備比以前具有更高的分辨率、更短的數(shù)據(jù)采集時(shí)間以及簡(jiǎn)化的多模態(tài)數(shù)據(jù)處理路線(xiàn)。許多商業(yè)數(shù)據(jù)分析軟件包已開(kāi)始包含人工智能技術(shù)，例如，增強(qiáng)空間分辨率、跨多模態(tài)技術(shù)關(guān)聯(lián)數(shù)據(jù)，以及識(shí)別和量化數(shù)據(jù)中的特征。并且，每年都會(huì)有應(yīng)用 AI 進(jìn)一步增強(qiáng)數(shù)據(jù)的新方法誕生。重要的是，現(xiàn)在通過(guò)使用人工智能技術(shù)，所生成數(shù)據(jù)集的細(xì)節(jié)超出了任何單一表征技術(shù)所能達(dá)到的范圍，從而超越了設(shè)備限制。

盡管到目前為止，這些領(lǐng)域取得了不錯(cuò)的進(jìn)展，但應(yīng)用 AI 技術(shù)仍然可以進(jìn)一步提高我們的表征能力，且潛力巨大。這可以使研究人員能夠測(cè)量并管理電池材料眾多傳統(tǒng)技術(shù)無(wú)法獲得的特性。

電極性能的重要特性

如今，鋰離子電池中使用了各種各樣的電極材料和電解質(zhì)化學(xué)物質(zhì)。為了方便討論，綜述主要關(guān)注具有石墨陽(yáng)極、LiNixMnyCozO2（NMC）陰極、多孔聚合物隔膜和液體電解質(zhì)的傳統(tǒng)鋰離子電池材料方面。

從數(shù)百微米到納米的長(zhǎng)度尺度，化學(xué)、晶體學(xué)和形態(tài)學(xué)特性決定了電池在其整個(gè)循環(huán)壽命期間的電化學(xué)性能。研究人員對(duì)這些結(jié)構(gòu)和功能關(guān)系的理解，關(guān)系到如何定義操作限制和降解途徑，也關(guān)系到如何提高電池性能。

跨長(zhǎng)度尺度的表征和技術(shù)限制

跨長(zhǎng)度尺度的形態(tài)學(xué)、晶體學(xué)和化學(xué)性質(zhì)的表征，對(duì)于解釋鋰離子電極的結(jié)構(gòu)和功能關(guān)系至關(guān)重要。獲取這類(lèi)信息的技術(shù)選擇和順序選擇非常重要，但由于每種技術(shù)都有特定的優(yōu)勢(shì)和系統(tǒng)局限性，所以這一過(guò)程可能會(huì)很復(fù)雜。

雖然同步加速器技術(shù)的應(yīng)用，在多長(zhǎng)度尺度和多模態(tài)表征方面取得了巨大進(jìn)步，但在這里，研究人員主要專(zhuān)注于學(xué)界應(yīng)用更廣泛、更容易獲得的基于實(shí)驗(yàn)室的技術(shù)。

為了在電極的材料特性與其電化學(xué)性能之間建立直接聯(lián)系，需要從同一材料樣本中獲取來(lái)自多種不同技術(shù)的數(shù)據(jù)信息。理想的表征工具應(yīng)當(dāng)可以提供一個(gè)高維數(shù)據(jù)集，數(shù)據(jù)集應(yīng)包含跨越空間和時(shí)間長(zhǎng)度尺度的形態(tài)學(xué)、化學(xué)和晶體學(xué)全部細(xì)節(jié)。

圖3：多模態(tài)實(shí)驗(yàn)室技術(shù)示例及其功能。（來(lái)源：論文）

圖：近期鋰離子電極在整個(gè)長(zhǎng)度尺度上的形態(tài)、結(jié)構(gòu)和化學(xué)表征成果的示例。（來(lái)源：論文）

然而，由于存在系統(tǒng)限制，所以無(wú)法從同一樣本中獲取多模態(tài)細(xì)節(jié)。首先，許多技術(shù)都是破壞性的，因此本質(zhì)上會(huì)阻止樣品在不同的系統(tǒng)中成像以進(jìn)行相關(guān)顯微鏡檢查。另外，對(duì)于許多技術(shù)而言，樣品制備是另一個(gè)相當(dāng)大的挑戰(zhàn)。鋰離子電極樣品通常對(duì)空氣敏感，準(zhǔn)備用于成像的樣品，既繁瑣又耗時(shí)。如果樣品制備不達(dá)標(biāo)，可能使該技術(shù)統(tǒng)計(jì)置信度極低，或者無(wú)法使用多種技術(shù)和長(zhǎng)度尺度進(jìn)行相關(guān)計(jì)量。

由于表征技術(shù)的局限性，使研究人員想到將多模態(tài)數(shù)據(jù)流混合到單個(gè)數(shù)據(jù)集中的方法；利用每種成像模式的優(yōu)勢(shì)來(lái)生成新的代表性數(shù)據(jù)集，其細(xì)節(jié)超出了單獨(dú)使用每種技術(shù)的細(xì)節(jié)。雖然這些技術(shù)已被證明是有效的，但它們構(gòu)建起來(lái)相當(dāng)復(fù)雜，并且往往是專(zhuān)門(mén)為特定材料設(shè)計(jì)的，不利于普遍推廣。

因此，研究人員將注意力轉(zhuǎn)移到了新的機(jī)器學(xué)習(xí)（ML）技術(shù)，這些技術(shù)可以實(shí)現(xiàn)更廣泛的應(yīng)用，同時(shí)減少了對(duì)專(zhuān)家參與的依賴(lài)性。

實(shí)現(xiàn)下一代材料表征的機(jī)器學(xué)習(xí)方法

隨著 ML 算法的快速發(fā)展，以及計(jì)算能力的不斷提高，材料設(shè)計(jì)、發(fā)現(xiàn)、優(yōu)化和表征方法正逐漸形成新范式。特別是針對(duì)基于圖像任務(wù)的現(xiàn)有計(jì)算機(jī)視覺(jué)研究，其中許多技術(shù)可以應(yīng)用于鋰離子微結(jié)構(gòu)數(shù)據(jù)集。

這些方法的核心一般是卷積神經(jīng)網(wǎng)絡(luò)（CNN），這一直是圖像分類(lèi)的關(guān)鍵，同時(shí)它們也構(gòu)成了對(duì)象檢測(cè)、圖像增強(qiáng)和圖像生成中眾多開(kāi)創(chuàng)性方法的基礎(chǔ)。

雖然這些 ML 方法已經(jīng)適當(dāng)解決了一些表征技術(shù)的局限性，如增強(qiáng)分辨率和自動(dòng)分割圖像的結(jié)構(gòu)特征，但其仍有進(jìn)一步發(fā)展的巨大潛力。在多數(shù)情況下，當(dāng)期已經(jīng)建立的 ML 方法可以直接應(yīng)用于材料表征分析。

圖：用于實(shí)現(xiàn)下一代材料表征的機(jī)器學(xué)習(xí)方法示例。（來(lái)源：論文）

分割（Segmentation）

分割（Segmentation），即為每個(gè)像素/體素分配一個(gè)相位標(biāo)簽的過(guò)程，是一個(gè)常見(jiàn)的材料科學(xué)任務(wù)示例，適當(dāng)使用人工智能可以極大地提高它的完成度。

在材料科學(xué)中，執(zhí)行定量表征或模擬之前，需要進(jìn)行語(yǔ)義分割?！伴撝祷笔浅Ｒ?jiàn)的分割方法，其中僅根據(jù)像素相對(duì)于固定截止值的灰度值將像素分配給類(lèi)別。然而，閾值顯示在不同材料之間的邊界處具有高可變性和較差的性能，這會(huì)導(dǎo)致對(duì)電池電極微觀結(jié)構(gòu)圖像的誤導(dǎo)性分析，因此應(yīng)避免使用。

而另一方面，從圖像中量化多尺度形態(tài)特征對(duì)于創(chuàng)建電池材料的結(jié)構(gòu)和功能關(guān)系極為重要。形態(tài)信息的量化幾乎總是涉及灰度圖像的分割。CNN 方法可以提高分割的準(zhǔn)確性，從而提高量化的形態(tài)學(xué)特性，這有望顯著提高科學(xué)家在該領(lǐng)域的表征能力。

風(fēng)格遷移（Style transfer）

風(fēng)格遷移（Style transfer）是另一種常見(jiàn)的 ML 技術(shù)，可應(yīng)用于材料科學(xué)。此方法生成的數(shù)據(jù)集采用另一種數(shù)據(jù)集的外觀或風(fēng)格細(xì)節(jié)，同時(shí)保持原始數(shù)據(jù)的結(jié)構(gòu)特征。比如，它可以修改藝術(shù)品，采用另一位畫(huà)家的繪畫(huà)風(fēng)格。

如前所述，不同的成像技術(shù)提供不同的分辨率、保真度和信息。風(fēng)格遷移可以將兩種或多種捕獲不同材料特性的互補(bǔ)技術(shù)的數(shù)據(jù)進(jìn)行遷移，融合不同的成像技術(shù)，為多模態(tài)數(shù)據(jù)集提供超越傳統(tǒng)實(shí)驗(yàn)室能力表征的途徑。

修復(fù)（Inpainting）

圖像缺失或損壞的區(qū)域可以使用稱(chēng)為修復(fù)（Inpainting）的技術(shù)來(lái)填充。深度卷積模型，特別是生成對(duì)抗網(wǎng)絡(luò)（Generative Adversarial Networks，GANs）和自動(dòng)編碼器（Autoencoders），在修復(fù)方面非常成功。許多材料表征技術(shù)包含偽影或損壞的區(qū)域，需要這類(lèi)技術(shù)的加持。

從廣義上講，材料科學(xué)中有兩種修復(fù)方法。首先，使用經(jīng)典的統(tǒng)計(jì)重建方法，例如基于樣本的修復(fù)，其中最著名的例子是 PatchMatch 算法。其次，基于 ML 的方法開(kāi)始出現(xiàn)，它們使用 GAN 和自動(dòng)編碼器來(lái)檢測(cè)和修復(fù)受損區(qū)域。

值得注意的是，隨機(jī)修復(fù)方法并不旨在準(zhǔn)確地重建地面真值缺失數(shù)據(jù)。相反，丟失的數(shù)據(jù)被具有匹配邊的統(tǒng)計(jì)相似的生成數(shù)據(jù)替換。修復(fù)可以將低質(zhì)量數(shù)據(jù)集轉(zhuǎn)換為高質(zhì)量數(shù)據(jù)集，從而可以去除不需要的成像偽影，避免重復(fù)實(shí)驗(yàn)。

雖然這些 ML 技術(shù)已經(jīng)存在，但進(jìn)一步利用前沿 ML 研究來(lái)提高修復(fù)質(zhì)量是可能的，并且需要做更多的工作將這些工具集成到現(xiàn)有的工作流程中，并使它們更廣泛地為社區(qū)所用。

生成（Generation）

ML 數(shù)據(jù)生成（Generation）技術(shù)有很多種，但最廣泛采用的兩種是 GAN 和擴(kuò)散模型（Diffusion Models）。這些方法可以應(yīng)用于數(shù)據(jù)可用性有限的數(shù)據(jù)增強(qiáng)任務(wù)，這使它們成為材料科學(xué)中的強(qiáng)大工具。在材料科學(xué)中收集宏觀均質(zhì)材料的大視野圖像，既費(fèi)時(shí)又昂貴?？茖W(xué)家使用 GAN 在對(duì)相對(duì)較小的訓(xùn)練數(shù)據(jù)進(jìn)行訓(xùn)練，然后生成大量任意體積的 3D 微結(jié)構(gòu)（包括電池材料），從而可以生成物理范圍超出實(shí)驗(yàn)室能力的數(shù)據(jù)集。

維度擴(kuò)展（Dimensionality expansion）

近期，科學(xué)家已經(jīng)開(kāi)發(fā)出針對(duì)特定表征的定制解決方案。2D 圖像通常可以提供比 3D CT 衍生圖像更高的分辨率和更好的相位識(shí)別，同時(shí)通常更快更容易獲得。然而，許多關(guān)鍵指標(biāo)本質(zhì)上是 3D 的。

維度擴(kuò)展（Dimensionality expansion）是使用低維數(shù)據(jù)集生成高維版本的過(guò)程。這類(lèi)方法使用同質(zhì) 2D 微結(jié)構(gòu)訓(xùn)練數(shù)據(jù)，來(lái)訓(xùn)練輸出 3D 微結(jié)構(gòu)的 GAN；從而可以非破壞性地生成 3D 數(shù)據(jù)集，為比較研究提供了可能。如果應(yīng)用于無(wú)法進(jìn)行 3D 模擬的 2D 成像技術(shù)，此方法還可以生成以前無(wú)法獲得的 3D 數(shù)據(jù)集。

超分辨率（Super-resolution，SR）

超分辨率（Super-resolution，SR）方法，即從低分辨率圖像生成高分辨率圖像，深度學(xué)習(xí)是完成這一任務(wù)的最有效的方法之一。低分辨率數(shù)據(jù)更容易獲得，高分辨率數(shù)據(jù)不易獲取時(shí)，使用少量高分辨率數(shù)據(jù)訓(xùn)練超分辨率模型，可以提供收集具有代表性的高分辨率數(shù)據(jù)的捷徑。

當(dāng)不存在真實(shí)實(shí)驗(yàn)數(shù)據(jù)參考時(shí)，驗(yàn)證生成合成數(shù)據(jù)的方法具有挑戰(zhàn)性，許多 ML 工具都存在這種問(wèn)題。通過(guò)將訓(xùn)練期間未約束的各種微觀結(jié)構(gòu)指標(biāo)與基本事實(shí)進(jìn)行比較，來(lái)評(píng)估合成數(shù)據(jù)的質(zhì)量，是一種有用的驗(yàn)證技術(shù)；這至少可以斷言所生成的數(shù)據(jù)是否保留了數(shù)據(jù)集的一些隱式統(tǒng)計(jì)數(shù)據(jù)。所以，在開(kāi)發(fā)這些技術(shù)時(shí)，必須首先在有基本事實(shí)的研究中探索驗(yàn)證，然后再擴(kuò)展到?jīng)]有基本事實(shí)參考的領(lǐng)域。

此外，隨著新技術(shù)和方法的開(kāi)發(fā)和調(diào)整以解決材料表征挑戰(zhàn)，確定可以構(gòu)建到 AI 算法中并由其強(qiáng)制執(zhí)行的新假設(shè)非常重要。

優(yōu)化和數(shù)據(jù)融合：展望人工智能和多模式表征的未來(lái)

ML 有可能克服現(xiàn)有表征技術(shù)的許多局限性，將人工智能和多模式表征結(jié)合起來(lái)可能會(huì)更加強(qiáng)大。

形態(tài)優(yōu)化與制造參數(shù)關(guān)聯(lián)

人工智能的一個(gè)強(qiáng)大的潛在應(yīng)用是優(yōu)化電極形態(tài)（微觀結(jié)構(gòu)、細(xì)觀結(jié)構(gòu)和電池幾何形狀），這將通過(guò)最大限度地減少各種電化學(xué)過(guò)程造成的損失，來(lái)提高能量密度和縮短充電時(shí)間。但這一過(guò)程應(yīng)當(dāng)考慮實(shí)際的物理限制，所以形態(tài)優(yōu)化需要與相關(guān)制造參數(shù)相關(guān)聯(lián)。

關(guān)聯(lián)制造參數(shù)無(wú)形之中又提出了一個(gè)新挑戰(zhàn)。解決這一問(wèn)題的一種方法是使用基于物理的模擬來(lái)直接模擬制造過(guò)程。然而，這在計(jì)算方面非常昂貴，且極其復(fù)雜，除非使用高度簡(jiǎn)化的系統(tǒng)。雖然基于物理的模型不適用于優(yōu)化復(fù)雜的制造條件和供應(yīng)鏈，但它們?cè)诮忉屘囟ú牧咸匦詫?duì)電池性能的影響和優(yōu)化方面，具有巨大的實(shí)用性。

ML 可以提供數(shù)據(jù)驅(qū)動(dòng)的方法，避免直接模擬的成本和復(fù)雜性。特別是，條件 GAN 可以學(xué)習(xí)生成與一組指定參數(shù)相對(duì)應(yīng)的樣本族，在這種情況下，這些參數(shù)可以是“制造參數(shù)”。這意味著可以?xún)H使用有關(guān)輸入和結(jié)果輸出的信息，來(lái)了解制造參數(shù)和微觀結(jié)構(gòu)特征之間的關(guān)系。

盡管條件 GAN 能夠快速生成新穎的微觀結(jié)構(gòu)，但這確實(shí)涉及在參數(shù)空間中進(jìn)行插值并生成之前未曾有過(guò)的示例。插值過(guò)程基于標(biāo)簽和數(shù)據(jù)之間的隱式關(guān)系，而不是基于物理的關(guān)系。這是基于 GAN 的方法的潛在弱點(diǎn)，必須小心驗(yàn)證任何插值結(jié)果。

此外，訓(xùn)練這樣的條件 GAN 需要仔細(xì)收集具有固定制造參數(shù)的微觀結(jié)構(gòu)數(shù)據(jù)。這非常重要，數(shù)據(jù)中的任何問(wèn)題都會(huì)反映在 GAN 的輸出中。盡管 GAN 是非常有潛力的方法，但仍然需要探索用于高通量、數(shù)據(jù)驅(qū)動(dòng)的制造參數(shù)優(yōu)化的其他方法。

數(shù)據(jù)融合

除了優(yōu)化之外，前文描述的 ML 方法的靈活運(yùn)用，可以形成一種通過(guò)數(shù)據(jù)融合獲取多模態(tài)數(shù)據(jù)集的新方法。作為示例工作流程，從高分辨率 SEM 圖像開(kāi)始，分割可以首先用于生成相圖。然后可以應(yīng)用維度擴(kuò)展來(lái)生成大的 3D 體積。使用它作為基礎(chǔ)體積，風(fēng)格轉(zhuǎn)移和超分辨率方法可用于將來(lái)自其他表征技術(shù)的特征投射到每個(gè)階段。因此，結(jié)果數(shù)據(jù)集中的單個(gè)元素可能包含多種屬性，包括化學(xué)、晶體學(xué)、電子、機(jī)械等等。

將多模式數(shù)據(jù)集融合到電池電極的統(tǒng)一表示中是一個(gè)非常有價(jià)值的應(yīng)用前景，特別是用于表征和建模目的。這類(lèi)方法可以輕松應(yīng)對(duì)前文所述的各類(lèi)挑戰(zhàn)；同時(shí)，也可利用人工智能技術(shù)來(lái)改變電池材料設(shè)計(jì)和優(yōu)化的歷史范式。

端到端

神經(jīng)網(wǎng)絡(luò)不依賴(lài)于人類(lèi)可讀或人類(lèi)可解釋的數(shù)據(jù)集。如果將成像數(shù)據(jù)與其他數(shù)據(jù)流相結(jié)合，則可以構(gòu)建更抽象的模型；這些模型使用電池從制造到報(bào)廢過(guò)程中的端到端數(shù)據(jù)，可繞過(guò)模型中的假設(shè)和簡(jiǎn)化以及輸出人類(lèi)可讀結(jié)果所帶來(lái)的約束。這種深度設(shè)計(jì)方法將完全由數(shù)據(jù)驅(qū)動(dòng)，可以幫助科學(xué)家發(fā)現(xiàn)新的對(duì)應(yīng)關(guān)系并提出新問(wèn)題。為了實(shí)現(xiàn)這一目標(biāo)，需要為相關(guān)變量和數(shù)據(jù)的收集、組織、處理，進(jìn)行大量思考和規(guī)劃。