
-
生物通官微
陪你抓住生命科技
跳动的脉搏
利用卷积神经网络从电子衍射图谱中确定电池材料的晶粒取向
《npj Computational Materials》:Determining the grain orientations of battery materials from electron diffraction patterns using convolutional neural networks
【字体: 大 中 小 】 时间:2026年03月01日 来源:npj Computational Materials 13.1
编辑推荐:
摘要多晶材料因其独特的性质而具有广泛的应用,而这些性质往往取决于晶粒的取向关系。因此,对晶粒及界面取向进行定量表征对于优化这些材料至关重要,尤其是能源材料。利用扫描透射电子显微镜(TEM),可以通过每个扫描点处的电子衍射图样,在极细的扫描网格中对材料进行分析。通过将衍射图样与模拟
多晶材料因其独特的性质而具有广泛的应用,而这些性质往往取决于晶粒的取向关系。因此,对晶粒及界面取向进行定量表征对于优化这些材料至关重要,尤其是能源材料。利用扫描透射电子显微镜(TEM),可以通过每个扫描点处的电子衍射图样,在极细的扫描网格中对材料进行分析。通过将衍射图样与模拟数据库匹配,可以确定每个扫描点处晶粒的晶体取向。在本研究中,我们利用锂离子电池中重要的正极活性材料LiNiO2的动态模拟衍射图样来训练卷积神经网络,从而预测整个基本取向区域内的晶粒取向,以三个欧拉角表示。实验结果表明,这类网络的准确性和效率均优于传统的图样匹配算法。其优势在于这些模型是通过包含动态效应的数据进行训练的。本研究旨在应用深度学习技术分析TEM数据,以确定晶粒取向,同时展现机器学习在加速电子显微镜数据分析方面的巨大潜力,进而实现高效的分析技术。