Algorithmes de Deep Learning & Architecture 3D d'électrodes
La connaissance de l’architecture complexe des électrodes de batteries Li-ion est cruciale à la fois pour comprendre ce qui limite leurs performances mais aussi pour simuler le plus fidèlement possible leurs propriétés électrochimiques. La technique de nano-tomographie en rayonnement X synchrotron a permis de caractériser avec une haute résolution spatiale (50 nm) la structure 3D des cathodes NMC de batteries Li-ion. La segmentation des images tomographiques, processus qui sépare les différents phases présentes, est une étape cruciale du traitement d’image qui peut impacter fortement le résultat final. Cependant, lors de cette étape, l'étiquetage manuel des images est chronophage et généralement difficile à réaliser sur la seule base des niveaux de gris. C’est au sein du laboratoire LRCS d’Amiens, que Zeliang et al, ont orienté leur recherche sur la compréhension et le développement d’algorithmes d’intelligence artificielle afin de réaliser cette tâche de segmentation de manière automatique et sur plusieurs phases simultanément. Ce travail a donné lieu à une collaboration avec le laboratoire CMM de Mines Paris Tech et avec Argonne National Laboratory.
Les auteurs ont proposé dans leur travail publié dans Nature-NPJ Computational Materials, une approche Deep Learning basée sur différentes structures de réseaux de neurones convolutifs (CNN) de codeur-décodeur de profondeur asymétrique. L’influence des hyper-paramètres les plus sensibles a été par la suite menée à l’aide du logiciel SegmentPy conçu par l’équipe I&D de Arnaud Demortière et permettant de visualiser l’activité des couches neuronales. Pour couronner le tout, les chercheurs ont également montré que l’approche de transfert learning, qui consiste à réutiliser un réseau déjà entraîné, améliore la précision des jeux de données similaires. Ainsi, des données de divers matériaux de batterie Li-ion ont été segmentées avec succès avec des précisions hautes (>90%).
Enfin, par une approche supervisée des réseaux CNN les auteurs ont pu identifier les incertitudes liées aux biais humains qui se retrouvent diluées dans le processus d’apprentissage et montrer l’impact de ces biais sur les incertitudes associées aux structures 3D des électrodes. En résumé, cette expérience regroupant collection de données avec méthodes originales de traitement des observables pourrait accélérer le design d’électrodes à porosité et tortuosités idéales pour des batteries Li-ion de meilleures performances.
Ayant récemment obtenu son doctorat au LRCS, Zeliang Su a tout d’abord passé un D.U.T. Mesures Physiques à l'Université de Valenciennes puis un diplôme d’ingénieur en Chimie des Matériaux à l'Université Paris-UPMC. Avant de commencer son doctorat, il était impliqué dans deux autres projets du RS2E ; anode LTO pour batterie Li-ion avec Dr Damien Dambournet et séparateur pour batterie Li-Soufre avec Dr Mathieu Morcrette et Prof. Claude Guery.
Sa thèse, sous la direction du Dr Arnaud Demortière et du Prof. Alejandro A. Franco au sein du LRCS, lui a permis de développer des expériences ex situ et in situ de nano-X ray Computed-Tomography (nano-XCT), en utilisant des techniques à Contraste de Phase pour comprendre l'impact de la microstructure et des propriétés de transport sur les batteries de lithium. Zeliang a aussi développé le Deep Learning pour accélérer la segmentation d'images nano-XCT.
Après la fin de son doctorat, Zeliang espère converger vers le secteur privé, en faisant de la recherche sur les batteries pour l'industrie. Plus précisément, il aimerait combiner ses connaissances en électrochimie et en apprentissage automatique en utilisant ce dernier pour accélérer le développement de matériaux et de batteries. « Travailler au sein du RS2E a été pour moi une excellente expérience, où j'ai eu de nombreuses occasions de rencontrer et d'échanger avec des brillants jeunes chercheurs, et de participer à des projets passionnants. » Respectueusement, Zeliang a pu participer à plusieurs publications, dont quatre articles en tant que premier auteur.