一种将应用于半导体工艺的检验方式引入电池领域、从而大幅降低不良率的图像识别技术已经开发完成。该技术的重点在于，通过人工智能学习，仅凭电池的表面形貌就能准确预测电池中各元素含量以及充放电次数等信息。
KAIST表示，新材料工程系教授 Hong Seungbeom 与韩国电子通信研究院（ETRI）、美国德雷塞尔大学通过共同研究，首次在全球范围内开发出一种以99.6%的准确度检验电池主要元素含量和充放电状态的方法论，并于2日对外公布。
联合研究团队开发的方法论核心在于：将具有不同成分和各异充放电循环的 NCM（镍·钴·锰）正极材料的扫描电子显微镜（下称 SEM）图像输入基于卷积神经网络（Convolutional Neural Network，CNN）的人工智能进行学习，从而实现降低电池不良率。卷积神经网络是一种用于分析视觉图像的多层前馈式人工神经网络。
在半导体工艺中，主要利用 SEM 对晶圆进行不良检验。但在电池工艺中，使用 SEM 的案例很少，而且对于劣化的电池材料，需要在颗粒破裂、碎裂的形貌下预测其可靠性。
联合研究团队正是基于这样的现场情况展开研究。首先，团队判断，如果像在半导体工艺中那样，在电池工艺中也能通过自动化 SEM 对正极材料表面进行检验，确认其是否按目标成分成功合成、是否能够在可靠的前提下预期寿命，从而降低不良率，将具有突破性意义。
基于这一判断，联合研究团队将适用于自动驾驶汽车的卷积神经网络基础人工智能用于学习电池材料表面图像，使其能够预测正极材料的主要元素含量以及充放电循环状态。
此外，团队还验证了这种方法论能否应用于含有添加剂的正极材料。结果显示，在元素含量方面预测相当准确，而在充放电状态方面相对准确度较低。
因此，联合研究团队计划今后让人工智能学习经过多种工艺生产的电池材料形貌，并将其应用于下一代电池的成分均匀性检验和寿命预测。
KAIST教授 Hong Seungbeom 表示：“本次联合研究的意义在于，开发出了基于扫描电子显微镜图像中的材料结构数据，能够快速且准确预测主要元素含量和充放电状态的人工智能方法论。此次研究中开发的基于显微镜图像对电池材料的含量及状态进行判别的方法论，今后将在提升电池材料性能和质量方面发挥重要作用。”
![“月薪150万不如去美国年入5亿” 首尔大·KAIST人才纷纷收拾行囊 [科学家正在消失]①](https://cwcontent.asiae.co.kr/asiaresize/93/2026051414165763158_1778735817.jpg)
另一方面，本次联合研究由共同第一作者、KAIST新材料工程系毕业生 Oh Jimin 博士和 Yeom Jiwon 博士，以及共同作者 ETRI 的 Kim Gwangman 博士、美国德雷塞尔大学 Agar 教授共同参与完成。研究成果已发表于国际学术期刊《npj Computational Materials》（5月4日刊）。
版权所有 © 阿视亚经济 (www.asiae.co.kr)。 未经许可不得转载。
