根据《自然材料》杂志上发表的新研究，我们鼓励科学家检查不可破坏的电池的开发。
斯坦福大学，劳伦斯·伯克利国家实验室，麻省理工学院和里昂大学的研究人员表明，他们如何使用人工智能评估新型的原子级显微镜图像来确定电池为什么会降低。他们预计该发现将导致电池持续时间大得多。该小组对铁磷酸锂（LFP）电池特别感兴趣。
“将电池视为陶瓷咖啡杯，在加热并冷却时会扩大和收缩。这些变化最终导致了陶瓷的缺陷，”该研究的高级作者威廉·乔（William Chueh）说。
“每次充电时，可充电电池中的材料都可以执行相同的操作，然后消耗该电力，从而导致故障。”
Chueh观察到电池中的裂缝是由机械负载引起的，材料在每个电荷周期而不是温度下相互施加。
科学家说：“不幸的是，我们对原子键的纳米级发生了什么了解。”
“这些新的高分辨率显微镜技术使我们能够看到它，AI帮助我们了解正在发生的事情。我们可以在单纳米尺度上可视化和测量这些力。”
Chueh强调，任何特定材料的性能都是其化学作用以及原子量表的物理相互作用的结果，他称其为“化学力学”。
随着事物变小，构成材料的原子变得更加多样化，预测物质将如何反应变得更加困难。研究人员能够探索磷酸锂电极的情况，这要归功于人工智能在最低尺度上使用人工智能探测原子相互作用。
即使研究了数十年来研究LFP，但尚未克服两个主要的技术问题。第一阶段是了解材料充电和放电时的弹性和变形。第二个是在LFP部分稳定或“亚稳态”的特定环境中扩展和收缩的方式。
Haitao “Dean” Deng, the study’s lead author, helped explain both for the first time utilizing image-learning algorithms applied to a series of two-dimensional pictures obtained by a scanning transmission electron microscope and advanced (spectro-ptychography) X-ray images. The discoveries are critical to a battery’s capacity, energy retention, and pace.
此外，他认为它可以推广到大多数可以用作电极的晶体材料。
邓说：“ AI可以帮助我们理解这些物理关系，这些关系是预测新电池的性能，在现实世界中的可靠性以及材料随着时间的变化的可靠性。”
此外，邓还指出，先前的非AI调查揭示了机械负载如何影响电极寿命的相关性。但是，这种新技术既具有有趣的方式，又渴望建立对工作机械的更基本的理解。
邓小平和他的同事将使用他们的工具来解释原子水平的潜在新电池设计。一个可能的结论是改进的电池控制软件，可以更有效地处理充电和排放。
