在這篇綜述中，加州大學圣地亞哥分校孟穎（Ying Shirley Meng）教授，Jean-Marie Doux和Jonathan Scharf等人討論了X射線CT和納米CT在電池領域的應用，同時結合AI和ML分析，為多尺度CT成像技術（例如，FIB-SEM、TEM、micro-CT 和nano-CT）如何預測電池行為模型的發展提供了一個新的視角。具體來說，討論了使X射線CT 成為適用于電池表征的先進工具的關鍵技術，概述了CT在各種電池化學中的優點和局限性，以及可以從實驗中獲得的關鍵形態參數，強調了通過AI和ML進行適當的數據分析和過濾以獲取參數的重要性，可以大大減少3D分辨電化學模型所需的CT表征數量，并確保模擬的代表性體積。最后，探討了X射線CT的未來發展前景。

相關論文以“Bridging nano- and microscale X-ray tomography for battery research by leveraging artificial intelligence”為題發表在Nature nanotechnology。

X射線計算機斷層掃描（CT）作為醫學和科研界是一種眾所周知無損成像技術，其對比度差異源于材料不同的吸收系數。由于樣品相互作用而衰減的X射線通過復雜的算法被收集、轉換和重構，以產生橫截面和三維（3D）圖像，從而實現了對樣品的形態和內部結構的無損檢測。在醫學領域，CT技術極大地影響了人們的健康。同時，在過去的二十年中，CT的影響已從醫學領域擴展到各行各業，并極大地影響了電池系統和其他電化學設備的發展。

隨著CT技術的迅速改進，基于實驗室的CT系統能夠實現與高亮度同步輻射光束線相似的分辨率。然而，隨著CT在電化學領域的分辨率和應用不斷提高，正在探索更復雜的數據集，從而激發了對先進分析技術的需求。在這其中，利用人工智能（AI）和機器學習（ML）來協助復雜數據集的分割和分析，或充當實驗數據與多物理場或多尺度建模之間的橋梁。因此，AI和ML可以大大減少處理大型CT數據集所需的時間，同時精確地標記感興趣的特征，是一種輔助CT技術的有價值工具。

圖1.?CT的歷史和發展趨勢

圖2.?CT在電池領域的發展趨勢

圖3. 電池系統的CT分割與分析

圖4.?實驗斷層掃描數據、電池模型和電池系統中電化學數據計算之間的關系

圖5.?相關工作流分析和建模