Bepaling van graanorientaties van batterijmaterialen uit elektrondiffractiepatronen met convolutionele neurale netwerken

Waarom kleine kristalhoeken belangrijk zijn voor betere batterijen

In de oplaadbare batterijen die telefoons en elektrische auto’s aandrijven, stroomt energie door netwerken van microscopische kristallen. De manier waarop die kristallen gekanteld zijn en aan elkaar vastzitten kan het verschil betekenen tussen een duurzaam, veilig batterij en een die snel veroudert of faalt. Deze studie onderzoekt een snellere, betrouwbaardere manier om die kleine kristalorientaties te bepalen met behulp van kunstmatige intelligentie, en biedt zo een route om batterijmaterialen efficiënter te ontwerpen.

Orde zien in een doolhof van kristallen

Moderne energieapparaten, zoals lithium-ionbatterijen en brandstofcellen, bestaan vaak uit polykristallijne materialen: dicht opeengepakte veelheid aan kleine korrels, elk een minuscuul kristal met een eigen oriëntatie. Hoe die korrels zijn georiënteerd en hoe hun grenzen samenkomen beïnvloedt sterk hoe ionen en elektronen zich bewegen, en daarmee de prestaties van het apparaat. Wetenschappers kunnen deze verborgen structuur onderzoeken met transmissie-elektronenmicroscopie, waarbij een elektronenbundel door een ultradunne plak van materiaal wordt gestuurd. Op elk punt verstrooien de elektronen in een stippenpatroon dat de kristaloriëntatie codeert. Door over het monster te scannen bouwen ze een vierdimensionale dataset op van posities en patronen die in principe de volledige interne kaart van graanorientaties kan onthullen.

De flessenhals van traditionele patroonmatching

Tot nu toe vereiste het omzetten van die dichte datasets naar oriënteringskaarten template-matching. Daarbij wordt elk experimenteel diffractiepatroon vergeleken met een enorme bibliotheek van gesimuleerde patronen, en de beste match wordt aangenomen als de oriëntatie. Om de bibliotheek beheersbaar te houden worden deze referentiepatronen meestal berekend met vereenvoudigende aannames die subtiele, zogenoemde dynamische effecten in de verstrooiing negeren. De methode kan goed werken, maar is gevoelig voor ruis, variaties in monsterdikte, achtergrondverschillen en kalibratiekeuzes. Ze is ook traag en vraagt veel rekencapaciteit, waardoor routinematig gebruik voor grote gebieden of voor experimenten die veranderingen in realtime volgen lastig wordt.

Een neurale netwerk leren diffractievingerafdrukken te lezen

De auteurs stellen voor expliciete patroonmatching te vervangen door convolutionele neurale netwerken, een type kunstmatige intelligentie gespecialiseerd in beelden. In plaats van miljoenen referentiepatronen rechtstreeks op te slaan, leert het netwerk de onderliggende relaties tussen de intensiteiten van diffractiepunten en de kristaloriëntatie. Ze richten zich op LiNiO₂, een veelbelovend kathodemateriaal voor lithium-ionbatterijen, en creëren synthetische trainingsdata door diffractiepatronen te simuleren over het volledige bereik van mogelijke orientaties. Cruciaal is dat deze simulaties dynamische verstrooiing omvatten, waarmee delicate intensiteitsverschillen worden vastgelegd die traditionele bibliotheken vaak negeren. Het team test zowel “classificatie”-netwerken, die elk patroon toewijzen aan één van vele discrete orientatieklassen, als “regressie”-netwerken, die proberen de drie orientatiehoeken als continue waarden te voorspellen.

Nauwkeurigheid en snelheid opdrijven terwijl symmetrie wordt behandeld

Door zorgvuldig te kiezen hoe de orientatieruimte te bemonsteren tonen de onderzoekers aan dat classificatienetwerken getraind op gelijkmatig verdeelde orientaties het beste presteren. Op gesimuleerde testdata nadert hun beste model de nauwkeurigheid van een commerciële, geavanceerde template-matchingsoftware, ook al ziet die laatste een perfect schoon, ruisvrij geval. Bij evaluatie op echte diffractiegegevens van LiNiO₂-korrels genereren de neurale netwerken oriënteringskaarten die sterk overeenkomen met de referentie-software, terwijl ze tegelijkertijd laten zien waar kristalsymmetrieën bepaalde orientaties moeilijk te onderscheiden maken. Omdat de netwerken zijn getraind op volledig dynamische simulaties, kunnen ze profiteren van kleine intensiteitsverschillen die standaard, vereenvoudigde simulaties missen, waardoor ze orientaties kunnen ontleden die anders bijna identiek zouden lijken.

Van berekeningen die een nacht duren naar bijna realtime inzicht

Een van de meest opvallende bevindingen is de snelheid. Voor een dataset van 40.000 diffractiepatronen vergde de traditionele template-matchingworkflow bijna twee uur rekentijd op een krachtige werkstation, plus aanzienlijke handmatige inspanning om filters en kalibratie-instellingen bij te stellen. Eenmaal getraind verwerkten de neurale netwerken dezelfde dataset in minder dan twee minuten—meer dan 95% reductie van de analysetijd—zonder de noodzaak van handgemaakte voorbewerking. Deze verschuiving verplaatst het grootste deel van de rekencapaciteit naar een eenmalige trainingsfase en maakt het mogelijk oriënteringsmapping te gebruiken in hoogdoorvoeronderzoek en in experimenten die volgen hoe batterijmaterialen veranderen tijdens laden en ontladen.

Wat dit betekent voor toekomstig batterijonderzoek

Voor niet‑specialisten is de kernboodschap dat de auteurs een trage, door experts geleide beeldvormingsstap hebben veranderd in een geautomatiseerd, snel en nauwkeurig hulpmiddel. Door neurale netwerken te leren de diffractievingerafdrukken van LiNiO₂-korrels te lezen, tonen ze aan dat kunstmatige intelligentie subtiele fysica kan vastleggen terwijl de analyse drastisch wordt versneld. Deze aanpak kan worden aangepast aan andere materialen en uitgebreid om aanvullende eigenschappen te voorspellen, zoals lokale dikte of de aanwezigheid van gedesordeerde gebieden. Uiteindelijk kunnen dergelijke hulpmiddelen onderzoekers helpen snel nieuwe batterijchemieën te screenen en te volgen hoe hun interne kristallandschappen in de loop van de tijd veranderen, waardoor de weg van fundamenteel onderzoek naar betere, betrouwbaardere energieopslagtechnologieën wordt verkort.

Bronvermelding: 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

Trefwoorden: batterijmaterialen, elektrondiffractie, neurale netwerken, graanorientatie, transmissie-elektronenmicroscopie