松下通過可視化地研究影響充放電性能以及容量密度的電極材料（活性材料的LiCoO2，以及石墨等）的做功狀態，可以改善電池性能。

日本媒體報道稱，松下最新開發出一種AI高科技材料分析手法，不僅僅適用于電池，而且預計可以利用于太陽能電池等的材料開發。

本次所開發的方法是一種可以高速且高分辨率條件下，可視化鋰離子電池內部材料在電池工作過程中的行動狀態，這一狀態的可視化，將會極大地影響Li離子電池的容量密度，充放電速度以及壽命等多種性能的改善（圖1）。

例如，可以通過空間、時間維度在高度分解狀態下顯示電極中參與充放電的部分與不相關的部分。研究人員使用這種方法，可以立即識別應用新材料后的效果，由AI（人工智能）進行材料開發時，可以反饋更多精準的數據給到數據庫。松下預計通過這樣的AI開發材料手法，“材料情報”的競爭力將會得到很大的提升。

圖1影響電池性能的材料

通過可視化地研究影響充放電性能以及容量密度的電極材料（活性材料的LiCoO2，以及石墨等）的做功狀態，可以改善電池性能。（圖/照片由松下提供）

通過電子顯微鏡進行解析

所開發的方法使用了電子顯微鏡。通過釋放電子，掃描并照射到被檢測的對象物質上，通過EELS（電子能量損耗能譜法）定量分析，將與原子產生碰撞導致減少的電子能量分布進行2維成像（圖2）。傳統做法中，為了獲得Li離子分布圖像，一般需要使用大型的輻射裝置（例如“SPring-8”）照射X射線。而且，通過X射線成像將分辨率提高到原子水平是非常困難的。因此，為了確認新材料在鋰離子電池開發中的影響，通常依靠制作樣品并測量電池容量和厚度變化等的間接觀察手法進行。

圖2 EELS的外觀與原理

使用AI快速成像

松下通過將EELS和AI機器學習相結合，實現可在短時間內拍攝。目前松下沒有明確公布其實現方法的細節，但可以了解到的是這種手法通過機器學習，在幾十秒的短時間內獲得需要幾十分鐘的長時間觀察才能得到的觀察數據。而且其他測量條件也可以被包含在學習對象中。似乎是通過一系列獨創性算法，從短時間內的不完全數據中，排除噪聲并提取了有用信號。

電極和電解質中Li離子濃度的空間分辨率為nm級，與使用X射線的常規方法（圖3）相比，新手法的水平提高了約100倍（圖3）。成像時間為每張20秒。

圖3電池工作狀態下，電極中包含的Li離子濃度的可視化

預先應用于固態電池研發中

目前，松下已經將這種方法預先應用于全固態電池的研發中，在特定的課題上進行確認。全固態電池是松下與豐田汽車合作研究開發中最重要的下一代技術。與電解質接觸的電極表面附近的變化是量產應用中的主要課題。松下通過鋰離子濃度分布分析正極的變化（圖4）。

圖4：存在于正極的電解質界面處的低濃度Li離子層導致了電池性能的劣化

此時，松下這次還利用另一種分析方法，關注正極和電解質界面附近的物質形成過程以及離子導電性，確認將推動上述課題的解決。而且有可能將闡明與使用液態電解質的鋰離子電池不同的固態鋰離子電池的Li離子傳導特性。目前鋰離子電池常見的正極材料使用LiCo2O3，電解質采用常用于小容量電池的氧化物陶瓷材料LASGTP。由于副反應在界面處形成Co3O4物質。