Las baterías de iones de litio pierden su jugo con el tiempo, haciendo que los científicos y los ingenieros trabajen duro para comprender ese proceso en detalle. Ahora, Los científicos del Laboratorio Nacional Acelerador SLAC del Departamento de Energía han combinado sofisticados algoritmos de aprendizaje automático con datos de tomografía de rayos X para producir una imagen detallada de cómo un componente de la batería, el cátodo, se degrada con el uso.

El nuevo estudio, publicado el 8 de mayo en Comunicaciones de la naturaleza , se centró en cómo visualizar mejor lo que sucede en los cátodos hechos de níquel-manganeso-cobalto, o NMC. En estos cátodos, Las partículas de NMC se mantienen unidas por una matriz de carbono conductora, y los investigadores han especulado que una de las causas de la disminución del rendimiento podrían ser las partículas que se desprenden de esa matriz. El objetivo del equipo era combinar capacidades de vanguardia en la fuente de luz de radiación de sincrotrón de Stanford (SSRL) de SLAC y la instalación de radiación de sincrotrón europea (ESRF) para desarrollar una imagen completa de cómo las partículas de NMC se rompen y se separan de la matriz y cómo eso podría contribuir a pérdidas de rendimiento.

Por supuesto, Es una tarea difícil para los humanos descubrir qué está pasando con solo mirar imágenes de un cátodo NMC, por lo que el equipo recurrió a la visión por computadora, un subcampo de algoritmos de aprendizaje automático diseñado originalmente para escanear imágenes o videos e identificar y rastrear objetos como perros o automóviles.

Incluso entonces, hubo desafíos. Los algoritmos de visión por computadora a menudo se concentran en los límites definidos por líneas claras u oscuras, por lo que les resultaría difícil diferenciar entre varias partículas pequeñas de NMC pegadas y una sola grande pero parcialmente fracturada; a la mayoría de los sistemas de visión por computadora, esas fracturas parecerían roturas limpias.

Para abordar ese problema, el equipo utilizó un tipo de algoritmo configurado para tratar con objetos jerárquicos, por ejemplo, un rompecabezas, que podríamos considerar como una entidad completa a pesar de que se compone de muchas piezas individuales. Con aportes y juicios de los propios investigadores, entrenaron este algoritmo para distinguir diferentes tipos de partículas y así desarrollar una imagen tridimensional de cómo las partículas NMC, ya sea grande o pequeño, fracturado o no, separarse del cátodo.

Descubrieron que las partículas que se desprenden de la matriz de carbono realmente contribuyen significativamente al deterioro de una batería, al menos en las condiciones que normalmente se ven en la electrónica de consumo, como teléfonos inteligentes.

Segundo, mientras que las partículas grandes de NMC tienen más probabilidades de dañarse y desprenderse, algunas partículas más pequeñas se desprenden, también, y en general, hay más variación en la forma en que se comportan las partículas pequeñas, dijo Yijin Liu, científico de planta de SLAC y autor principal del nuevo artículo. Eso es importante porque los investigadores generalmente habían asumido que al hacer que las partículas de la batería fueran más pequeñas, podrían fabricar baterías de mayor duración, algo que, según sugiere el nuevo estudio, podría no ser tan sencillo, Dijo Liu.