孟颖Nature Nanotechnology综述：机器学习+CT助力电池无损检测和3D重构

在这篇综述中，加州大学圣地亚哥分校孟颖（Ying Shirley Meng）教授，Jean-Marie Doux和Jonathan Scharf等人讨论了X射线CT和纳米CT在电池领域的应用，同时结合AI和ML分析，为多尺度CT成像技术（例如，FIB-SEM、TEM、micro-CT 和nano-CT）如何预测电池行为模型的发展提供了一个新的视角。具体来说，讨论了使X射线CT 成为适用于电池表征的先进工具的关键技术，概述了CT在各种电池化学中的优点和局限性，以及可以从实验中获得的关键形态参数，强调了通过AI和ML进行适当的数据分析和过滤以获取参数的重要性，可以大大减少3D分辨电化学模型所需的CT表征数量，并确保模拟的代表性体积。最后，探讨了X射线CT的未来发展前景。

相关论文以“Bridging nano- and microscale X-ray tomography for battery research by leveraging artificial intelligence”为题发表在Nature nanotechnology。

X射线计算机断层扫描（CT）作为医学和科研界是一种众所周知无损成像技术，其对比度差异源于材料不同的吸收系数。由于样品相互作用而衰减的X射线通过复杂的算法被收集、转换和重构，以产生横截面和三维（3D）图像，从而实现了对样品的形态和内部结构的无损检测。在医学领域，CT技术极大地影响了人们的健康。同时，在过去的二十年中，CT的影响已从医学领域扩展到各行各业，并极大地影响了电池系统和其他电化学设备的发展。

随着CT技术的迅速改进，基于实验室的CT系统能够实现与高亮度同步辐射光束线相似的分辨率。然而，随着CT在电化学领域的分辨率和应用不断提高，正在探索更复杂的数据集，从而激发了对先进分析技术的需求。在这其中，利用人工智能（AI）和机器学习（ML）来协助复杂数据集的分割和分析，或充当实验数据与多物理场或多尺度建模之间的桥梁。因此，AI和ML可以大大减少处理大型CT数据集所需的时间，同时精确地标记感兴趣的特征，是一种辅助CT技术的有价值工具。

图1. CT的历史和发展趋势

图2. CT在电池领域的发展趋势

图3. 电池系统的CT分割与分析

图4. 实验断层扫描数据、电池模型和电池系统中电化学数据计算之间的关系

图5. 相关工作流分析和建模