一个国际合作研究团队开发出了一种图像识别技术，该技术可以通过仅检查电池的表面形貌并使用人工智能学习来准确确定电池的元素组成和充放电循环次数。

韩国科学技术院(KAIST)材料科学与工程系的Seungbum Hong教授与韩国电子通信研究院(ETRI)以及美国德雷塞尔大学合作，开发出了一种利用卷积神经网络(CNN )预测NCM正极材料主要元素组成和充放电状态的方法，准确率达99.6% 。

该论文发表在《npj计算材料》杂志上。

研究团队指出，虽然扫描电子显微镜(SEM)在半导体制造中用于检查晶圆缺陷，但在电池检查中却很少使用。SEM 仅在研究现场用于分析电池中的颗粒大小，并且在电池材料劣化的情况下，根据破碎的颗粒和破碎的形状来预测可靠性。

研究团队认为，如果能将自动化SEM应用于电池生产过程中，就像半导体制造一样，检查正极材料的表面，确定其是否按照所需的成分合成，寿命是否可靠，从而降低缺陷率，那将具有开创性的意义。

研究人员训练了一种适用于自动驾驶汽车的基于 CNN 的人工智能，使其学习电池材料的表面图像，从而预测正极材料的主要元素组成和充放电循环状态。他们发现，虽然该方法可以准确预测含有添加剂的材料成分，但预测充放电状态的准确性较低。

该团队计划利用通过不同工艺生产的各种电池材料形态进一步训练人工智能，最终用于检查成分均匀性并预测下一代电池的寿命。