使用卷积神经网络从电子衍射图案确定电池材料的晶粒取向

微小晶体角度为何对更好电池至关重要

在为手机和电动汽车供电的可充电电池内部，能量通过无数微观晶体的“森林”流动。这些晶体如何倾斜并相互结合，常常决定了电池是持久、安全，还是迅速衰减或失效。本研究探索了一种更快、更可靠的方式，利用人工智能读取这些微小的晶体取向，为更高效地设计更优电池材料提供途径。

在晶体迷宫中识别有序性

现代能量器件，如锂离子电池和燃料电池，常由多晶材料构成：许多小晶粒紧密堆积，每个晶粒都是具有自身取向的小晶体。这些晶粒的排列方式及其界面如何相接，强烈影响离子和电子的迁移，从而影响器件性能。科学家可用透射电子显微镜探测这种隐藏结构——将电子束穿过超薄样品切片。在每一个点，电子散射形成的点阵图案编码了晶体的取向。通过扫描样品，他们可以构建一个位置与图案的四维数据集，理论上可以揭示晶粒取向的完整内部图谱。

传统模板匹配的瓶颈

到目前为止，将这些密集的数据集转换为取向图谱依赖于模板匹配。该方法将每个实验衍射图案与大量模拟图案的库逐一比对，取最佳匹配作为取向。为使库规模可控，这些参考图通常在计算时采用简化假设，忽略了散射中的细微“动态”效应。该方法在某些情况下能很好地工作，但对噪声、样品厚度变化、背景差异和校准选择都很敏感。同时它耗时且计算量大，使得在大面积测量或实时跟踪材料变化的实验中难以常规使用。

教神经网络阅读衍射指纹

作者提出用卷积神经网络取代显式的图案匹配，这是一类专长于处理图像的人工智能。网络不再直接存储数以百万计的参考图案，而是学习衍射点强度与晶体取向之间的内在关系。他们以LiNiO₂为研究对象——一种有前景的锂离子电池正极材料——并通过在全取向空间中模拟衍射图案来生成合成训练数据。关键在于，这些模拟包含了动态散射，捕捉到传统库常忽略的微弱强度变化。团队测试了“分类”网络（将每个图案分配到众多离散的取向类别之一）和“回归”网络（尝试以连续值预测三个取向角）两类方法。

在处理对称性时提升精度与速度

通过谨慎选择如何采样取向空间，研究者表明在均匀间隔的取向上训练的分类网络表现最佳。在模拟测试数据上，他们的最佳模型接近一种最先进商业模板匹配程序的精度，即便后者在理想、无噪声的条件下进行比对。将网络用于真实的LiNiO₂晶粒衍射数据时，生成的取向图谱与参考软件高度一致，同时揭示了晶体对称性导致某些取向难以区分的区域。由于网络在完全动态的模拟上训练，它们能够利用标准简化模拟无法捕捉的细微强度差异，从而区分出在传统方法下几乎无法区分的取向。

从通宵计算到接近实时的洞见

最引人注目的发现之一是速度。对于包含40,000个衍射图案的数据集，传统的模板匹配工作流在一台强大工作站上几乎需要两小时的计算，外加大量手工调节滤波器和校准设置。训练完成后，神经网络处理相同数据集耗时不足两分钟——分析时间减少超过95%——且无需人工制定的预处理。这一转变把大部分计算成本转移到一次性的训练阶段，并为在高通量研究以及实时观察电池材料在充放电过程中演化的实验中使用取向映射打开了大门。

这对未来电池研究意味着什么

对于非专业读者，核心信息是作者将一项缓慢且依赖专家的成像步骤，变成了自动化、快速且精确的工具。通过教会神经网络识别LiNiO₂晶粒的衍射指纹，他们展示了人工智能能够捕捉微妙物理现象并显著加速分析。该方法可适配于其他材料，并可扩展以预测额外属性，如局部厚度或无序区域的存在。最终，这类工具或能帮助研究者快速筛选新的电池化学体系，跟踪其内部晶体结构随时间的变化，从而缩短从基础实验到更好、更可靠储能技术的转化路径。

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

关键词: 电池材料, 电子衍射, 神经网络, 晶粒取向, 透射电子显微镜