IA auxilia na pesquisa do processo de decaimento das baterias de íon de lítio

As baterias de íon de lítio, as mais comuns nos dispositivos eletrônicos que utilizamos, têm um tempo de vida porque, após ciclos repetidos de descarga e recarga, elas perdem a capacidade de manter carga para novas utilizações. Cientistas e engenheiros trabalham para entender melhor esse processo, para depois poder propor melhorias. Entretanto, esse estudo não é trivial, já que exige visualizar o que está ocorrendo num nível microscópico. Atualmente, uma das técnicas utilizadas para gerar modelos tridimensionais dos componentes internos das baterias é a tomografia de raios-X, mas a análise desses dados também não é simples. As diversas partículas que armazenam e transportam carga devem ser identificadas e acompanhadas, para entender seu processo de degradação, o que até então não foi completamente automatizando, exigindo o envolvimento direto dos cientistas.

Um trabalho publicado em maio, porém, apresenta a primeira possibilidade de automatização dessa fase das pesquisas. Pesquisadores do Centro de Aceleração Linear de Stanford (SLAC, Stanford Linear Acceleration Center) usaram um modelo de machine learning baseado em visão computacional para identificar as partículas em cátodos compostos de níquel-manganês-cobalto (NMC). Nesses cátodos, as partículas de NMC são mantidas em uma matriz de carbono condutiva, e os pesquisadores da área já vinham especulando que uma das causas para a perda da eficiência das baterias é o fato de que as partículas se desintegram e se desprendem dessa matriz. O novo método permite identificar se as imagens obtidas por tomografia se tratam de uma única partícula em processo de degradação, ou de várias partículas menores, tornando possível a investigação do processo de decaimento das baterias.

O método de segmentação tradicional das imagens não conseguia discernir entre uma partícula em processo de degradação e várias partículas menores. O novo método, baseado em machine learning, consegue fazer essa separação. Créditos: autores do trabalho.

Para o treinamento do algoritmo, os cientistas usaram imagens anotadas manualmente, que passaram por uma rede convolucional de mascaramento regional (Mask R-CNN), que primeiro prediz caixas delimitadoras (bounding boxes) e depois identifica as regiões exatas da partícula através de uma máscara binária.

Com a anotação automática realizada pelo algoritmo, os pesquisadores foram então capazes de comprovar que as partículas que se desprendem da matriz de carbono realmente contribuem para a perda de eficiência da bateria. Além disso, eles também observaram que as partículas menores também se decompõem, e têm inclusive um padrão de decomposição mais variável que as partículas maiores. Por algum tempo, pesquisadores acreditavam que as partículas menores eram estáveis, e poderiam produzir baterias de maior durabilidade. A nova descoberta parece indicar que esse não é o caso.

O método deve agora ser uma importante ferramenta para elucidar o funcionamento das baterias e permitir a sugestão de soluções melhores de uma forma melhor informada.