Определение ориентиров зерен в материалах для батарей по электронно‑дифракционным шаблонам с помощью сверточных нейронных сетей

Почему небольшие углы кристаллов важны для улучшения батарей

Внутри перезаряжаемых батарей, питающих телефоны и электромобили, энергия проходит через «леса» микроскопических кристаллов. То, как эти кристаллы наклонены и состыкованы друг с другом, может стать решающим фактором между долговечной, безопасной батареей и той, которая быстро теряет ёмкость или выходит из строя. В этой работе исследуется более быстрый и надёжный способ считывания этих крошечных ориентиров кристаллов с помощью искусственного интеллекта, что даёт путь к более эффективному проектированию материалов для батарей.

Увидеть порядок в лабиринте кристаллов

Современные энергетические устройства, такие как литий‑ионные батареи и топливные элементы, часто сделаны из поликристаллических материалов: плотных упаковок множества мелких зерен, каждое из которых — крошечный кристалл со своей ориентацией. То, как эти зерна выровнены и как встречаются их границы, сильно влияет на движение ионов и электронов и, следовательно, на работу устройства. Учёные могут изучать эту скрытую структуру с помощью просвечивающей электронной микроскопии, которая пропускает электронный пучок через ультратонкий срез материала. В каждой точке электроны рассеиваются в виде точечного рисунка, кодирующего ориентацию кристалла. Сканируя по образцу, получают четырёхмерный набор данных позиций и шаблонов, который, по идее, может раскрыть полную внутреннюю карту ориентиров зерен.

Узкое место традиционного сравнения шаблонов

До настоящего времени преобразование таких плотных наборов данных в карты ориентаций опиралось на сопоставление с шаблонами. В этом подходе каждый экспериментальный дифракционный шаблон сравнивают с огромной библиотекой смоделированных шаблонов, и лучшее совпадение принимают за ориентацию. Чтобы библиотека оставалась управляемой, эталонные шаблоны обычно вычисляют с упрощающими допущениями, которые игнорируют тонкие, так называемые динамические эффекты рассеяния. Метод может работать хорошо, но он чувствителен к шуму, вариациям толщины образца, фоновым отличиям и настройкам калибровки. Он также медленный и требовательный к вычислительным ресурсам, что усложняет его рутинное применение на больших участках или в экспериментах, отслеживающих изменения материалов в реальном времени.

Обучение нейронной сети считывать дифракционные «отпечатки»

Авторы предлагают заменить явное сопоставление шаблонов сверточными нейронными сетями — видом искусственного интеллекта, специализирующимся на изображениях. Вместо хранения миллионов эталонных шаблонов непосредственно сеть учится выявлять базовые связи между интенсивностями дифракционных пятен и ориентацией кристалла. Они сосредоточились на LiNiO₂, перспективном материале катода для литий‑ионных батарей, и создали синтетические тренировочные данные, моделируя дифракционные шаблоны для всего диапазона возможных ориентаций. Важно, что эти симуляции включают динамическое рассеяние, захватывая деликатные вариации интенсивностей, которые традиционные библиотеки часто упускают. Команда тестирует как сети «классификации», присваивающие каждому шаблону один из многих дискретных классов ориентации, так и сети «регрессии», пытающиеся предсказать три угла ориентации как непрерывные величины.

Усиление точности и скорости с учётом симметрии

Тщательно выбирая способ дискретизации пространства ориентаций, исследователи показали, что сети классификации, обученные на равномерно распределённых ориентациях, демонстрируют наилучшие результаты. На моделируемых тестовых данных их лучшая модель приближается по точности к современной коммерческой программе сопоставления шаблонов, даже несмотря на то, что последняя работает с идеально чистыми, незащумлёнными данными. При оценке на реальных дифракционных данных с зерен LiNiO₂ нейронные сети формируют карты ориентаций, которые тесно согласуются с референсным ПО, одновременно выявляя области, где симметрии кристаллов затрудняют различение некоторых ориентаций. Поскольку сети были обучены на полностью динамических симуляциях, они способны использовать крошечные различия в интенсивностях, которые упускают стандартные упрощённые симуляции, что позволяет различать ориентации, которые в противном случае выглядели бы почти одинаково.

От ночных расчётов к почти реальному времени

Одна из наиболее впечатляющих находок — скорость. Для набора из 40 000 дифракционных шаблонов традиционный рабочий процесс сопоставления шаблонов требовал почти двух часов вычислений на мощной рабочей станции, плюс значительных ручных усилий по настройке фильтров и параметров калибровки. После обучения нейронные сети обработали тот же набор данных менее чем за две минуты — более чем на 95% сократив время анализа — без необходимости вручную разрабатывать предварительную обработку. Этот сдвиг переносит большую часть вычислительной нагрузки в одноразовую фазу обучения и открывает двери для использования картирования ориентаций в высокопроизводительных исследованиях и в экспериментах, наблюдающих эволюцию материалов батарей во время зарядки и разрядки.

Что это значит для будущих исследований батарей

Для неспециалистов главный вывод таков: авторы превратили медленный, требующий экспертизы этап обработки изображений в автоматизированный, быстрый и точный инструмент. Обучив нейронные сети считывать дифракционные «отпечатки» зерен LiNiO₂, они показали, что искусственный интеллект может уловить тонкую физику и одновременно резко ускорить анализ. Этот подход можно адаптировать к другим материалам и расширить для предсказания дополнительных свойств, таких как локальная толщина или наличие неупорядоченных областей. В конечном счёте такие инструменты могут помочь исследователям быстро скринировать новые химии батарей и отслеживать, как меняется их внутренняя кристаллическая структура со временем, сокращая путь от фундаментальных экспериментов до более эффективных и надёжных технологий хранения энергии.

Цитирование: 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

Ключевые слова: материалы для батарей, электронная дифракция, нейронные сети, ориентация зерен, просвечивающая электронная микроскопия