看到中间:从低分辨率表面重建3D内部电极微结构,使用生成扩散人工智能.
Zhiqiang Niu1, Zhaoxia Zhou2, Patrice Perrenot3
1Department of Aeronautical and Automotive Engineering Loughborough University Loughborough LE11 3TU UK.
Small science
|November 19, 2025
概括
人工智能模型REMind从有限的数据中重建3D能量材料微结构,克服了显微镜的局限性. 这加速了先进能源材料的表征,以提高性能和耐用性.
科学领域:
- 材料科学 材料科学 材料科学
- 人工智能的人工智能
- 能源技术 能源技术 能源技术
背景情况:
- 描述3D复杂的能量材料接口对于理解结构-属性关系至关重要.
- 目前的显微镜技术在分辨率和速度方面面临限制,这阻碍了对能量材料的高通量分析.
研究的目的:
- 介绍REMind,一种用于快速准确地重建电极微观结构的生成性AI模型.
- 为了实现能源材料的高保真性成像,减少数据采集要求.
主要方法:
- 开发了REMind,这是一个在高分辨率微观结构上训练的生成扩散AI模型.
- 使用聚焦离子束扫描电子显微镜 (FIB-SEM) 来获取数据.
- 采用多尺度多物理SOFC模型来量化电化学性能影响.
主要成果:
- REMind可以准确地重建内部微结构,像素的误差很低 (<10%).
- 该模型使用生成的量化了重建不确定性.
- 对于固体氧化物燃料电池 (SOFC) 阳极,质子交换膜燃料电池和固态电池进行验证.
结论:
- REMind显著提高了能源材料的高通量特征.
- 人工智能模型证明了各种能源技术的广泛适用性.
- REMind促进了对能源材料性能和降解的更深入的理解.


