Nature伙伴期刊Computational Materials：动力电池回收再生修复技术遇上人工智能

Energist 能源学人

第一作者：沙武鑫，郭亚晴

通讯作者：曹元成

通讯单位：华中科技大学

三元正极材料由于其高能量密度和高性价比，已成为当前锂离子电池最常用的正极材料之一。然而，NCM的快速容量衰减严重阻碍了其发展和应用。目前三元材料的研究主要是以大量实验为指导，以低效的"试错法"为基础，极大地阻碍了储能材料的创新效率。随着人工智能的兴起和大型数据资源的集成，以材料数据为驱动力的人工智能技术为材料科学与工程的发展开辟了一条新路。新兴的材料信息学试图通过使用基于可靠数据的算法模型来加速新三元材料的性能预测和工艺优化。机器学习是人工智能（AI）的一个子领域，近年来发展迅速，擅长处理高维数据并总结规律，具有强大的分类和决策能力。机器学习技术的快速应用为储能材料的再生修复技术提供了理论指导和理论基础。

图1 机器学习应用于三元材料开发的概念图。

三元材料信息学的发展仍处于起步阶段，还拥有很大的提升空间，包括扩增数据集、完善特征工程和开发机器学习模型等。为了探索并更好地了解机器学习在三元材料领域中的应用，华中科技大学电气科学与工程学院程时杰院士、曹元成教授（通讯作者）与计算机学院路松峰教授等人通过深度学习方法研究了三元正极材料的降解机制。首先，利用透射电子显微镜（TEM）研究了单晶阴极材料在不同降解状态下的原子级构型信息。然后，开发了一个神经网络模型来识别主晶格的晶体结构，并在几秒钟内定位TEM图像中的缺陷，并进一步定量分析了层状、尖晶石和岩盐相中的过渡金属和锂空位。观察到NCM523中的点缺陷数量在老化过程中呈现先增加后减少的趋势，过渡金属致密层之间的空间明显缩小。该分析揭示了与层状材料降解相关的缺陷演化规律。这些老化规律是材料再生修复技术的理论基础。这也为动力电池回收领域的研究人员直接修复再生失效正极材料和设计寿命更长的电池材料提供了独到的见解。该工作以 “Degradation Mechanism Analysis of LiNi0.5Co0.2Mn0.3O2 single crystal Cathode materials through Machine Learning”为题发表在npj Computational MaterialsI上（DOI: 10.1038/s41524-022-00905-5）。

【内容详情】

1. NCM三元电池老化的常见微观机理

图2 NCM材料降解现象的常见机理示意图。

NCM的电镜表征研究在高能量密度锂离子电池材料的设计中发挥着不可或缺的作用。当前的电子显微镜允许直接目视识别原子级配置信息，从晶体结构、部分晶格平面畸变甚至单点缺陷，提供丰富的电池材料工艺和性能信息。因此，许多研究人员通过先进的电子显微镜研究了NCM降解机制的起源。诸如锂离子/过渡金属原子混排、氧空位等结构缺陷将导致相变和表面重构，并伴随着氧的析出演化。此外，电解质溶剂与Ni4+反应，导致电解液的氧化分解。循环过程中的体积变化和循环过程中微裂纹的产生，以及表面更厚的CEI膜的产生都是正极材料老化的原因之一。图1总结了NCM正极的这些常见老化现象。

2. 利用机器学习实现三元正极材料降解机理分析

2.1 三元材料电镜照片仿真建模和标记

材料建模和模拟计算逐渐成为解释实验现象的必要手段。分子动力学模拟、虚拟电镜等仿真方法为三元材料研究积累了大量的标记结果。机器学习模型可以从这些仿真计算结果中挖掘潜在规律，总而助力三元材料的建模和分析，减少实验开销，加快材料研发速度。

图3 生成用于训练的标记数据的流程。（a）层状、尖晶石和岩盐结构的原始模型和引入缺陷并几何优化后原子模型。（b）层状、尖晶石和岩盐结构的模拟STEM图像。

2.2 用于三元材料老化分析的神经网络结构

图4 用于三元材料电镜照片语义分割的神经网络结构。

本文改进了常用的u-net网络，网络将输入透射电子显微镜（TEM）图像，数秒内识别主体晶体结构并定位缺陷，并在不同的通道中输出分割后的布尔化图像。本网络框架中引入了通道和空间两个注意力模块对这些缺陷进行了准确分类。

2.3 机器学习实现三元材料老化及再生回收技术分析

图5 主动学习模型发现新型三元材料的思路框架。

改进后的神经网络发现了NCM523老化过程中的三个主要缺陷：过渡金属空位、锂空位和各类间隙原子。高通量分析结果表明，NCM523的整体点缺陷数量在整个退化过程中呈现先增加后减少的趋势。结合电子能量损失谱（EELS）分析和电化学表征，发现缺陷演化与电池阻抗增加和容量衰减有关。最后，对NCM523材料的主要晶格参数进行了定量分析。过渡金属致密层之间的空间从4.86Å 缩小到1.96Å ，这意味着能容纳锂离子的数量减少，导致容量衰减。这意味着扩大或稳定这些过渡金属的层间距或将成为三元材料再生回收技术的可选方法。这些机器学习的统计结果为电池材料再生回收技术提供了重要的理论基础。

【展望】

以机器学习为代表的人工智能拥有比人脑更大的存储空间和更快的计算能力，可以处理更广阔的数据资源，更擅长从高维数据中发现复杂的知识，将成为低碳回收领域技术创新的有力工具，其应用潜力也可以扩展到其他材料学研究领域。

Sha, W., Guo, Y., Cheng, D. et al. Degradation mechanism analysis of LiNi_0.5Co_0.2Mn_0.3O₂ single crystal cathode materials through machine learning. npj Comput Mater, 2022.

https://doi.org/10.1038/s41524-022-00905-5

通讯作者介绍