論文の概要: Enhancing EBSD throughput of battery electrode materials using super-resolution generative adversarial networks
- arxiv url: http://arxiv.org/abs/2608.19117v1
- Date: Wed, 19 Aug 2026 17:14:20 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-20 20:13:55.467029
- Title: Enhancing EBSD throughput of battery electrode materials using super-resolution generative adversarial networks
- Title(参考訳): 超高分解能生成対向ネットワークを用いた電池電極材料のEBSDスループット向上
- Abstract要約: この研究は、生成逆数ネットワーク(SRGAN)を用いて、EBSDスループットを大幅に向上させる機械学習超解像フレームワークを実証する。
SRGANモデルは低解像度データセットを向上させるためにLiNixMnyCozO2カソード粒子のEBSDデータに基づいて訓練された。
粒径や形状などの重要な指標において, 5倍のアップスケーリング係数が, 取得時間の25倍のスピードアップや25倍の視野に対応することが実証された。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Quantitative microstructural characterization of Li-ion battery electrode materials using electron backscatter diffraction (EBSD) has been proven as a critical method for optimizing cell performance. However, the inherently slow nature of EBSD can hinder the throughput of analyses needed for statistical representation of a material microstructure being developed. This work demonstrates a machine learning super-resolution framework using a generative adversarial network (SRGAN) to significantly increase EBSD throughput. The SRGAN model was trained on EBSD data of LiNixMnyCozO2 (NMC) cathode particles to computationally enhance low-resolution datasets and its performance is compared against classical interpolation methods across various upscaling factors (2x to 12x). Both qualitative image metrics and quantitative microstructural analysis verified that the SRGAN systematically outperformed classical methods, particularly in preserving small grains and maintaining realistic grain boundaries. We demonstrate that a 5x upscaling factor, corresponding to a 25x speed-up in acquisition time or a 25x larger field of view, is practical while maintaining acceptable accuracy in key metrics like grain size and shape. For instance, at 5x upscaling, relative errors were +5.7%, +8.2%, and -14.6% on grain area-equivalent diameter, grain maximum sphere-inscribed diameter, and grain boundary length, respectively. The SRGAN methodology developed in this work significantly enhances the efficiency of EBSD acquisition for more statistically robust microstructural dataset, enabling EBSD as a high-throughput characterization tool for materials research and industrial process development.
- Abstract(参考訳): 電子後方散乱回折(EBSD)を用いたリチウムイオン電池電極材料の組織学的評価は、細胞性能を最適化するための重要な方法として証明されている。
しかし、EBSDの本質的に遅い性質は、開発中の材料ミクロ構造の統計的表現に必要な分析のスループットを妨げる可能性がある。
この研究は、生成逆数ネットワーク(SRGAN)を用いて、EBSDスループットを大幅に向上させる機械学習超解像フレームワークを実証する。
SRGANモデルは、LiNixMnyCozO2(NMC)陰極粒子のEBSDデータに基づいて、低解像度データセットを計算的に拡張し、その性能を様々なアップスケーリング因子(2倍から12倍)の古典的補間法と比較した。
定性的画像計測と定量的微細構造解析の両方により、SRGANは古典的手法、特に小さな粒の保存と現実的な粒界維持において体系的に優れていたことが確認された。
粒径や形状などの重要な指標において, 5倍のアップスケーリング係数が, 取得時間の25倍のスピードアップや25倍の視野に対応することが実証された。
例えば、5倍のアップスケーリングでは、相対誤差は+5.7%、+8.2%、-14.6%であった。
この研究で開発されたSRGAN手法は、より統計的に堅牢なマイクロ構造データセットに対するEBSDの取得効率を大幅に向上させ、材料研究と産業プロセス開発のための高スループットな評価ツールとしてEBSDを実現する。
関連論文リスト
- AI-Driven Surrogate Models for Predicting Electrode-Scale Discharge Behavior in Lithium-Ion Batteries [47.27974914502511]
本研究では,Swin3D Transformerに基づくディープラーニングサロゲートパイプラインを導入し,データから直接放電ダイナミクスを予測する。
提案手法は計算オーバーヘッドを桁違いに削減し,高スループットバッテリー設計と最適化のためのスケーラブルで効率的なフレームワークを提供する。
論文 参考訳(メタデータ) (2026-07-22T09:10:48Z) - Accurate identification and measurement of the precipitate area by two-stage deep neural networks in novel chromium-based alloys [43.18932499199212]
クロム系超合金の開発には, 沈殿量率と粒径分布の効率的な測定が必要である。
従来の固定閾値画像処理は背景雑音に敏感であり、材料全体の一般化が不十分であり、手作業による測定がかなり必要である。
本研究では,TOLOv5とSegFormerをベースとしたエンドツーエンド2段階深層学習方式DT-SegNetを提案する。
論文 参考訳(メタデータ) (2026-06-20T15:50:58Z) - SCALE:Scalable Conditional Atlas-Level Endpoint transport for virtual cell perturbation prediction [46.645872209565574]
仮想セル摂動予測のための大規模基盤モデルを提案する。
まず、データスループットを大幅に改善するBioNeMoベースのトレーニングおよび推論フレームワークを構築します。
第二に、摂動予測を条件付き輸送として定式化し、それをセットアウェアフローアーキテクチャで実装する。
第3に,生物学的に有意な指標に基づく厳密なセルレベルプロトコルを用いて,Tahoe-100Mのモデルを評価する。
論文 参考訳(メタデータ) (2026-03-18T05:51:08Z) - FibreCastML: An Open Web Platform for Predicting Electrospun Nanofibre Diameter Distributions [0.0]
エレクトロスピニング(Electrospinning)は、組織工学、薬物デリバリー、創傷治療に応用するために、調整可能なマイクロスケールとナノスケールのアーキテクチャを持つ繊維足場を製造するためのスケーラブルな技術である。
機械学習(ML)は、電子スピン化プロセスの最適化をサポートするのに使われてきたが、既存のほとんどのアプローチは、足場性能を規定する全径分布を無視して、繊維径のみを予測する。
本研究はFibreCastMLについて述べる。これはオープンな分布対応MLフレームワークで、日常的に報告される電子スピンリングパラメータから完全なファイバー径スペクトルを予測し、プロセス構造関係に関する解釈可能な洞察を提供する。
論文 参考訳(メタデータ) (2026-01-08T12:18:41Z) - Automated and Scalable SEM Image Analysis of Perovskite Solar Cell Materials via a Deep Segmentation Framework [6.6168431490300845]
本稿では,SEM画像セグメンテーションのためのディープラーニングフレームワークを提案する。
PerovSegNetという名前のモデルには、2つの新しいモジュールが組み込まれています。
PerovSegNetは平均平均精度87.25%で、265.4ギガ浮動小数点演算を実現している。
論文 参考訳(メタデータ) (2025-09-30T17:18:51Z) - STEM Diffraction Pattern Analysis with Deep Learning Networks [0.0]
本研究は、走査型透過電子顕微鏡(STEM)回折パターン(DP)から直接オイラー角を予測する機械学習に基づくアプローチを提案する。
これは高解像度結晶配向マップの自動生成を可能にし、ナノスケール内部の微細構造の解析を容易にする。
3つのディープラーニングアーキテクチャ – 畳み込みニューラルネットワーク(CNN)、Dense Convolutional Networks(DenseNets)、Shifted Windows(Swin) Transformers – は、商用TMアルゴリズムによってラベル付けされた実験的に取得されたデータセットを使用して評価される。
論文 参考訳(メタデータ) (2025-07-02T16:58:09Z) - GBFRS: Robust Fuzzy Rough Sets via Granular-ball Computing [48.33779268699777]
ファジィ粗セット理論は複雑な属性を持つデータセットを処理するのに有効である。
既存のモデルのほとんどは最も細かい粒度で動作しており、非効率でノイズに敏感である。
本稿では,多粒度グラニュラーボール計算をファジィ粗集合理論に統合し,サンプル点の代替としてグラニュラーボールを提案する。
論文 参考訳(メタデータ) (2025-01-30T15:09:26Z) - Toward High-Performance Energy and Power Battery Cells with Machine
Learning-based Optimization of Electrode Manufacturing [61.27691515336054]
本研究では,所望のバッテリ適用条件に対する高性能電極の課題に対処する。
本稿では、電気化学性能の2目的最適化のための決定論的機械学習(ML)支援パイプラインによって支援される強力なデータ駆動アプローチを提案する。
以上の結果から,スラリー中の固形物の中間値とカレンダリング度を併用した高活性物質が最適電極となることが示唆された。
論文 参考訳(メタデータ) (2023-07-07T13:48:50Z) - Physics-informed CoKriging model of a redox flow battery [68.8204255655161]
レドックスフロー電池(RFB)は、大量のエネルギーを安価かつ効率的に貯蔵する機能を提供する。
RFBの充電曲線の高速かつ正確なモデルが必要であり、バッテリ容量と性能が向上する可能性がある。
RFBの電荷分配曲線を予測する多相モデルを構築した。
論文 参考訳(メタデータ) (2021-06-17T00:49:55Z) - BIGDML: Towards Exact Machine Learning Force Fields for Materials [55.944221055171276]
機械学習力場(MLFF)は正確で、計算的で、データ効率が良く、分子、材料、およびそれらのインターフェースに適用できなければならない。
ここでは、Bravais-Inspired Gradient-Domain Machine Learningアプローチを導入し、わずか10-200原子のトレーニングセットを用いて、信頼性の高い力場を構築する能力を実証する。
論文 参考訳(メタデータ) (2021-06-08T10:14:57Z) - Optimized and autonomous machine learning framework for characterizing
pores, particles, grains and grain boundaries in microstructural images [0.0]
実験的なマイクロ構造キャラクタリゼーション技術は、高価な計算リソースを必要とする大量のデータを生成する。
本研究では, 所定の微細構造像から細孔, 粒子, 粒界および粒界(gbs)を自律的かつ効率的にキャラクタリゼーションするための最適化機械学習(ml)フレームワークを提案する。
論文 参考訳(メタデータ) (2021-01-16T16:42:19Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。