畳み込みニューラルネットワークを用いた電子回折パターンからの電池材料の粒方位決定

より良い電池のために微小な結晶角度が重要な理由

携帯電話や電気自動車に電力を供給する充電式バッテリーの内部では、エネルギーが微視的な結晶の森を通って移動します。これらの結晶がどのように傾き、どう繋がっているかは、長持ちで安全な電池と性能が劣化したり故障したりする電池との違いを生みます。本研究は、人工知能を用いてその微小な結晶方位をより速く、より信頼性高く読み取る方法を探り、効率的により良い電池材料を設計する道を示します。

結晶の迷路の中に秩序を見出す

リチウムイオン電池や燃料電池などの現代エネルギー機器は、多結晶材料で作られることが多く、これは多数の小さな粒が密に詰まった構造であり、それぞれが独自の方位を持つ小さな結晶です。粒の配向や境界の結びつき方は、イオンや電子の移動に大きく影響し、装置の性能を左右します。研究者は透過型電子顕微鏡を用いてこの隠れた構造を調べることができます。超薄片に電子ビームを通すと、各点で電子はスポットパターンに散乱し、そのパターンに結晶の方位が符号化されます。試料を走査することで、位置とパターンを含む四次元データセットが構築され、理論的には粒方位の内部マップ全体を明らかにできます。

従来のパターン照合のボトルネック

これまで、密なデータセットを方位マップに変換するにはテンプレート照合が主に用いられてきました。この手法では、各実験回折パターンを膨大なシミュレーションパターンのライブラリと比較し、最良の一致を方位として採用します。ライブラリを扱いやすくするために、参照パターンはしばしば散乱の微妙な（いわゆる動的）効果を無視するような単純化した仮定で計算されます。この方法はうまく機能することもありますが、ノイズ、試料厚さの変動、背景の違い、較正の選択に敏感です。また遅く計算負荷が大きいため、大面積や材料の変化をリアルタイムで追う実験には日常的に使うのが難しいという問題があります。

回折フィンガープリントを読むようにニューラルネットワークを教える

著者らは明示的なパターン照合を畳み込みニューラルネットワーク（画像処理に特化した人工知能）で置き換えることを提案します。何百万もの参照パターンを直接保存する代わりに、ネットワークは回折スポット強度と結晶方位の間の根底にある関係を学習します。対象はリチウムイオン電池の有望な正極材料であるLiNiO₂で、可能な方位全域にわたる回折パターンをシミュレートして合成訓練データを作成しました。重要なのは、これらのシミュレーションが動的散乱を含み、従来のライブラリがしばしば見落とす繊細な強度変化を捉えている点です。研究チームは、各パターンを多数の離散方位クラスのいずれかに割り当てる「分類」ネットワークと、三つの方位角を連続値として予測する「回帰」ネットワークの両方を検討しています。

対称性に対処しつつ精度と速度を高める

著者らは方位空間のサンプリング方法を慎重に選ぶことで、等間隔の方位で訓練した分類ネットワークが最も良好に機能することを示しました。シミュレーションによるテストデータ上では、最良モデルは最先端の市販テンプレート照合プログラムの精度に迫ります。後者は完全にクリーンでノイズのない理想ケースを参照しているにもかかわらずです。LiNiO₂粒から得られた実際の回折データで評価すると、ニューラルネットワークが生成する方位マップは参照ソフトと密接に一致し、同時に結晶対称性によって識別が難しくなる方位がどこで生じるかを明らかにします。ネットワークは完全な動的シミュレーションで訓練されているため、標準的で単純化されたシミュレーションが見落とすような微細な強度差を利用でき、ほとんど同じに見える方位を識別できます。

夜通しの計算からほぼリアルタイムの洞察へ

最も注目すべき発見の一つは速度です。4万枚の回折パターンからなるデータセットでは、従来のテンプレート照合ワークフローは高性能ワークステーションで約2時間の計算に加え、フィルタや較正設定の手作業による調整が必要でした。訓練済みのニューラルネットワークは同じデータセットを2分未満で処理し、分析時間を95%以上削減しました。しかも手作業による前処理は不要です。この変化により計算コストの大部分が一度きりの訓練段階に移り、高スループット研究や充放電中に電池材料の変化を観察する実験で方位マッピングを活用する道が開かれます。

将来の電池研究にとっての意味

専門外の読者への核心的メッセージは、著者らが遅くて専門家の手を必要とするイメージング工程を自動化され、迅速かつ高精度なツールに変えたという点です。LiNiO₂粒の回折フィンガープリントをニューラルネットワークに学習させることで、人工知能が微妙な物理現象を捉えつつ解析を劇的に加速できることを示しています。この手法は他の材料にも適用可能で、局所厚みや無秩序領域の存在といった追加の特性を予測するよう拡張することもできます。最終的には、こうしたツールが研究者の新しい電池化学の迅速なスクリーニングや、内部の結晶景観が時間とともにどう変化するかの追跡を助け、基礎実験からより優れた、信頼性の高いエネルギー貯蔵技術への道を短縮する可能性があります。

引用: 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

キーワード: 電池材料, 電子回折, ニューラルネットワーク, 粒子方位, 透過型電子顕微鏡