相变是材料中普遍存在的一种现象，是决定材料性能的关键因素。解决材料中的复杂相区对于促进新材料开发的新的基本理解至关重要。到目前为止，尽管已经发展了诸如序参数方法等传统的分类策略来区分显著不同的相，但对于由多相组成的材料体系的高精度和高效率的相分割仍然是不可用的。

在这里，加州大学欧文分校Huolin L. Xin通过将增强型U-net网络和几何模拟与原子分辨率透射电子显微镜相结合，成功地开发了一种深度学习工具，能够对技术上重要的锂离子电池正极材料中相互交织的相域进行逐个原子的自动相分割。

文章要点

1）新的策略优于传统的方法，并定量地阐明了电池运行过程中形成的多个相之间的关联。研究工作展示了如何利用深度学习来促进对复杂材料中与相变相关的关键问题的深入理解。

参考文献

Dong Zhu, et al, Deep-Learning Aided Atomic-Scale Phase Segmentation toward Diagnosing Complex Oxide Cathodes for Lithium-Ion Batteries, Nano Lett., 2023

DOI: 10.1021/acs.nanolett.3c02441

https://doi.org/10.1021/acs.nanolett.3c02441