为了更好地处理全球气候变化带来的消极影响，人们正在迫切地把目光从传统的化石燃料转向清洁环保和可再生的能源上。因此，作为一种典型的清洁能源，氢能的发展也受到了科学家的高度关注和期待。
其中，氢燃料电池，尤其是质子交换膜燃料电池（Proton Exchange Membrane Fuel Cells，PEMFC），是人们利用氢能的一种重要形式。它通过电化学的方式先将氢转化为质子和电子，再与氧气反应产生的电流从而输出电能，该技术具有高能量密度和快速换料等优点，能够为家居、汽车和工业提供动力。
不过，因为在该反应中会有纯水这种副产物的产生，所以如果不能将水很好地从 PEMFC 中流出，就会在电池系统中积聚下来，严重地影响电池性能的发挥。
同时，由于电池体积过小、结构过于复杂、现有的成像技术和建模能力不足等因素，科研人员和工程师们尚不能很好地掌握 PEMFC 内部排水的确切方式。
图丨该研究中生成的 PEMFC 域（来源：Nature Communications）
为了攻克这项难题，来自澳大利亚新南威尔士大学的研究团队，利用机器学习技术开发了一个名为 DualEDSR 的超分辨率算法模型，其能够借助分辨率较低的X射线显微计算机断层扫描（micro-CT），来实现高分辨率模型图像的生成，从而增强 PEMFC 内部图像的显示。
借助这样一种卷积神经网络架构，该团队能够把一张 275×1000×2000 体积元素的 2.8 微米低分辨率图像，转化为体积元素为 1100×4000×8000 的 700 纳米超高分辨率图像。
图丨micro-CT 成像、深度学习超分辨率和多标签分割（来源：Nature Communications）
测试结果表明，相对高分辨率图像视野，该算法模型输出的图像视野实现了约 100 倍的提升，其识别精度高达 97.3%。此外，其能在 1 小时内完成燃料电池高分辨率模型的制作，但使用 micro-CT 却需要 1188 小时，几乎相当于 50 天不间断的工作。
2023 年 2 月 14 日，相关论文以《基于深度学习的质子交换膜燃料电池大尺度精确建模》（Large-scale physically accurate modelling of real proton exchange membrane fuel cell with deep learning）为题发表在 Nature Communications 上[1]。
图丨相关论文（来源：Nature Communications）
澳大利亚新南威尔士大学 Ying Da Wang 博士为第一作者，昆汀·迈耶博士、Chuan Zhao 教授，以及该校的助理教授瑞安·阿姆斯特朗（Ryan T. Armstrong）博士担任论文共同通讯作者。
那么，DualEDSR 具体是如何发挥作用的？
据悉，其先通过分辨率较低的 X 射线图像来构建精细的 3D 模型，再基于对其中一小部分高分辨率图像的扫描，推断出一些精确的数据。
通俗地说，就相当于先在高空中航拍整个城市的相对模糊的照片，再附加几条街道的清晰详尽的照片，并据此来完成对全区域所有街道布局的精准预测。
借助该模型，研究人员能够清晰明白地看到 PEMFC 内部水积聚的具体位置，并可以通过一些更有针对性的设计，来克服电池内部的排水问题，进而提升电池的性能。
图丨PEMFC 中的水-空气流动模拟（来源：Nature Communications）
阿姆斯特朗对媒体表示：“这项研究如此新颖的原因之一是，我们正在突破成像技术的极限。当你使用一块硬件时，无论是显微镜还是 CT 扫描仪，图像的分辨率都会随着视野范围的缩小而变差，这是非常典型的情况。”
不过，令人欣慰的是，基于该技术，上述问题得以解决，并有望在石油、医疗、天然气等行业的所有成像领域中得到广泛应用。比如，将其用于 X 射线，帮助医生了解人体内的微小细胞结构，提高疾病诊疗的速度和效率。
图丨micro-CT 获得的 PEMFC 图像（来源：Nature Communications）
“此前，我们已经和放射科医生共同合作做了初步的超分辨率工作。我们推测，通过从更大的视野中获得更高分辨率的图像，也许能够在肿瘤细胞尚处于较小状态的时候，就实现对疾病的早期诊断。”阿姆斯特朗对媒体说。
但是，需要说明的是，借助该方法开展的建模也存在一个限制，即必须在相同的位置下使用同一台机器设备拍摄更大尺度、低分辨率的图像和更小尺度、高分辨率的图像。但这些设备作为一种专门型的工具，还无法应用于目前的许多设施中。
因此，该团队希望通过进一步的研究来打破上述限制，让所呈现的图像不必在同一地点拍摄，甚至可以不使用完全相同的仪器或材料。
支持：张智
参考资料：
1. Wang, Y.D., Meyer, Q., Tang, K. et al. Large-scale physically accurate modelling of real proton exchange membrane fuel cell with deep learning. Nature Communications 14, 745 (2023). https://doi.org/10.1038/s41467-023-35973-8
https://www.pv-magazine-australia.com/2023/02/21/novel-design-for-high-power-pem-fuel-cells/
https://www.greencarcongress.com/2023/02/20230219-unsw.html
https://newsroom.unsw.edu.au/news/science-tech/enhance-deep-learning-tool-boosts-x-ray-imaging-resolution-and-hydrogen-fuel-cell