Détermination des orientations de grains des matériaux de batterie à partir de motifs de diffraction électronique en utilisant des réseaux de neurones convolutionnels

Pourquoi de minuscules angles cristallins comptent pour de meilleures batteries

À l’intérieur des batteries rechargeables qui alimentent les téléphones et les voitures électriques, l’énergie circule à travers des forêts de cristaux microscopiques. La façon dont ces cristaux sont inclinés et assemblés peut faire la différence entre une batterie durable et sûre et une batterie qui s’use ou tombe en panne. Cette étude explore une méthode plus rapide et plus fiable pour lire ces minuscules orientations cristallines à l’aide de l’intelligence artificielle, ouvrant une voie vers une conception plus efficace des matériaux de batterie.

Voir de l’ordre dans un dédale de cristaux

Les dispositifs énergétiques modernes, comme les batteries lithium‑ion et les piles à combustible, sont souvent fabriqués à partir de matériaux polycristallins : des empilements denses de nombreux petits grains, chacun étant un minuscule cristal avec sa propre orientation. La façon dont ces grains sont alignés et dont leurs frontières se rencontrent influence fortement le déplacement des ions et des électrons, et donc les performances du dispositif. Les scientifiques peuvent sonder cette structure cachée avec la microscopie électronique en transmission, qui envoie un faisceau d’électrons à travers une tranche ultrafine du matériau. En chaque point, les électrons diffusent en un motif de taches qui code l’orientation du cristal. En balayant l’échantillon, on construit un ensemble de données quadrimensionnel de positions et de motifs qui, en principe, peut révéler la carte interne complète des orientations de grains.

Le goulot d’étranglement de l’appariement de motifs traditionnel

Jusqu’à présent, transformer ces ensembles de données denses en cartes d’orientation reposait sur l’appariement par modèles. Dans cette approche, chaque motif de diffraction expérimental est comparé à une immense bibliothèque de motifs simulés, et la meilleure correspondance est prise pour l’orientation. Pour limiter la taille de la bibliothèque, ces motifs de référence sont généralement calculés avec des hypothèses simplificatrices qui ignorent des effets subtils, dits dynamiques, dans la diffusion. La méthode peut bien fonctionner, mais elle est sensible au bruit, aux variations d’épaisseur de l’échantillon, aux différences de fond et aux choix d’étalonnage. Elle est aussi lente et gourmande en calcul, ce qui la rend difficile à utiliser de façon systématique pour de grandes zones ou pour des expériences suivant l’évolution des matériaux en temps réel.

Apprendre à un réseau de neurones à lire les empreintes de diffraction

Les auteurs proposent de remplacer l’appariement explicite de motifs par des réseaux de neurones convolutionnels, un type d’intelligence artificielle spécialisé dans les images. Au lieu de stocker directement des millions de motifs de référence, le réseau apprend les relations sous‑jacentes entre les intensités des taches de diffraction et l’orientation cristalline. Ils se concentrent sur LiNiO₂, un matériau de cathode prometteur pour les batteries lithium‑ion, et créent des données d’entraînement synthétiques en simulant des motifs de diffraction sur l’ensemble des orientations possibles. De manière cruciale, ces simulations incluent la diffusion dynamique, capturant des variations d’intensité délicates que les bibliothèques traditionnelles négligent souvent. L’équipe teste à la fois des réseaux de « classification », qui assignent chaque motif à une des nombreuses classes d’orientation discrètes, et des réseaux de « régression », qui cherchent à prédire les trois angles d’orientation comme valeurs continues.

Améliorer précision et vitesse tout en gérant la symétrie

En choisissant soigneusement comment échantillonner l’espace d’orientations, les chercheurs montrent que les réseaux de classification entraînés sur des orientations réparties uniformément donnent les meilleures performances. Sur des données de test simulées, leur meilleur modèle approche la précision d’un programme commercial d’appariement par modèles à la pointe, même si ce dernier voit un cas idéal parfaitement propre et sans bruit. Lorsqu’ils sont évalués sur des données de diffraction réelles provenant de grains de LiNiO₂, les réseaux de neurones génèrent des cartes d’orientation qui concordent étroitement avec le logiciel de référence, tout en révélant les zones où les symétries cristallines rendent certaines orientations difficiles à distinguer. Parce que les réseaux ont été entraînés sur des simulations entièrement dynamiques, ils peuvent exploiter de petites différences d’intensité que les simulations standard simplifiées manquent, leur permettant de distinguer des orientations qui seraient autrement presque identiques.

Des calculs d’une nuit à des aperçus quasi‑temps réel

Une des constatations les plus marquantes est la vitesse. Pour un ensemble de données de 40 000 motifs de diffraction, le flux de travail traditionnel d’appariement par modèles nécessitait près de deux heures de calcul sur une station de travail puissante, plus un effort manuel substantiel pour ajuster filtres et paramètres d’étalonnage. Une fois entraînés, les réseaux de neurones ont traité le même ensemble de données en moins de deux minutes — une réduction de plus de 95 % du temps d’analyse — sans besoin de prétraitement conçu à la main. Ce changement transfère la majeure partie du coût calculatoire vers une phase d’entraînement unique et ouvre la porte à l’utilisation du cartographie d’orientation dans des études à haut débit et dans des expériences qui observent l’évolution des matériaux de batterie pendant la charge et la décharge.

Ce que cela signifie pour la recherche future sur les batteries

Pour les non‑spécialistes, le message central est que les auteurs ont transformé une étape d’imagerie lente et conduite par des experts en un outil automatisé, rapide et précis. En apprenant aux réseaux de neurones à lire les empreintes de diffraction des grains de LiNiO₂, ils montrent que l’intelligence artificielle peut capturer une physique subtile tout en accélérant dramatiquement l’analyse. Cette approche peut être adaptée à d’autres matériaux et étendue pour prédire des propriétés supplémentaires, telles que l’épaisseur locale ou la présence de régions désordonnées. Ultimement, de tels outils pourraient aider les chercheurs à sonder rapidement de nouvelles chimies de batterie et à suivre comment leurs paysages cristallins internes évoluent dans le temps, raccourcissant le chemin entre les expériences fondamentales et des technologies de stockage d’énergie meilleures et plus fiables.

Citation: Scheunert, J., Ahmed, S., Demuth, T. et al. Determining the grain orientations of battery materials from electron diffraction patterns using convolutional neural networks. npj Comput Mater 12, 115 (2026). https://doi.org/10.1038/s41524-026-02002-3

Mots-clés: matériaux pour batteries, diffraction électronique, réseaux de neurones, orientation des grains, microscopie électronique en transmission