Le batterie agli ioni di litio perdono la loro carica nel tempo, costringendo scienziati e ingegneri a lavorare sodo per comprendere quel processo in dettaglio. Ora, gli scienziati del Laboratorio nazionale dell'acceleratore SLAC del Dipartimento dell'energia hanno combinato sofisticati algoritmi di apprendimento automatico con dati di tomografia a raggi X per produrre un quadro dettagliato di come un componente della batteria, il catodo, si degrada con l'uso.

Il nuovo studio, pubblicato l'8 maggio in Comunicazioni sulla natura , focalizzato su come visualizzare meglio cosa sta succedendo nei catodi fatti di nichel-manganese-cobalto, o NMC. In questi catodi, Le particelle NMC sono tenute insieme da una matrice di carbonio conduttivo, e i ricercatori hanno ipotizzato che una delle cause del calo delle prestazioni potrebbero essere le particelle che si staccano da quella matrice. L'obiettivo del team era quello di combinare capacità all'avanguardia presso la Stanford Synchrotron Radiation Lightsource (SSRL) di SLAC e l'European Synchrotron Radiation Facility (ESRF) per sviluppare un quadro completo di come le particelle NMC si rompono e si staccano dalla matrice e come ciò potrebbe contribuire a perdite di prestazioni.

Certo, è un compito arduo per gli umani capire cosa sta succedendo semplicemente guardando le immagini di un catodo NMC, quindi il team si è rivolto alla visione artificiale, un sottocampo di algoritmi di apprendimento automatico originariamente progettati per scansionare immagini o video e identificare e tracciare oggetti come cani o automobili.

Anche allora, c'erano sfide. Gli algoritmi di visione artificiale spesso si concentrano sui confini definiti da linee chiare o scure, quindi avrebbero difficoltà a distinguere tra diverse piccole particelle NMC attaccate insieme e una singola grande ma parzialmente fratturata; alla maggior parte dei sistemi di visione artificiale, quelle fratture sembrerebbero rotture nette.

Per affrontare quel problema, il team ha utilizzato un tipo di algoritmo impostato per gestire oggetti gerarchici, ad esempio un puzzle, che potremmo pensare come un'entità completa anche se è composta da molti pezzi singoli. Con input e giudizi degli stessi ricercatori, hanno addestrato questo algoritmo per distinguere diversi tipi di particelle e quindi sviluppare un'immagine tridimensionale di come le particelle NMC, che sia grande o piccolo, fratturato o no, staccarsi dal catodo.

Hanno scoperto che le particelle che si staccano dalla matrice di carbonio contribuiscono davvero in modo significativo al declino di una batteria, almeno nelle condizioni tipiche dell'elettronica di consumo, come gli smartphone.

Secondo, mentre le particelle di NMC di grandi dimensioni hanno maggiori probabilità di danneggiarsi e staccarsi, alcune particelle più piccole si staccano, pure, e nel complesso, c'è più variazione nel modo in cui si comportano le piccole particelle, disse Yijin Liu, uno scienziato dello staff dello SLAC e un autore senior del nuovo articolo. Questo è importante perché i ricercatori avevano generalmente supposto che riducendo le particelle della batteria, potrebbero produrre batterie più durature, qualcosa che il nuovo studio suggerisce potrebbe non essere così semplice, ha detto Liu.