Investigadores de la Universidad de California, San Diego, han logrado un avance importante en baterías de litio metálico. Han desarrollado un método simple y efectivo para caracterizar su rendimiento utilizando microscopía electrónica de barrido (SEM). Los resultados se publicaron en Proceedings of the National Academy of Sciences.

Las baterías de litio metálico tienen potencial para duplicar la densidad energética de las actuales de iones de litio; si se logra, duplicarían la autonomía de vehículos eléctricos y extenderían la duración de portátiles y móviles. El control de la morfología del litio depositado durante ciclos de carga/descarga es clave: depósitos uniformes prolongan la vida útil; depósitos irregulares forman dendritas que perforan el separador, causando cortocircuitos y fallos.

Anteriormente, la uniformidad se evaluaba visualmente en imágenes microscópicas, lo que provocaba inconsistencias entre laboratorios y dificultad para comparar resultados. Para resolverlo, el equipo liderado por el profesor Ping Liu (primer autor: Jenny Nicholas, doctoranda en Ciencia e Ingeniería de Materiales) desarrolló un algoritmo simple que analiza la uniformidad de distribución del litio en imágenes SEM.

La SEM captura características 3D como imágenes 2D en escala de grises. El método convierte la imagen en píxeles blanco y negro: blanco para el litio más superficial, negro para sustrato o litio inactivo. Divide la imagen en regiones y calcula el número de píxeles blancos por región, obteniendo un Índice de Dispersión (ID). Cuanto más cercano a cero, más uniforme; valores altos indican mayor agrupación.

El método se validó en 2.048 imágenes SEM sintéticas de distribución conocida, mostrando concordancia con la realidad. Aplicado a electrodos reales, reveló que el ID aumenta con los ciclos, indicando depósitos menos uniformes y mayor energía requerida (signo de degradación). Además, picos y caídas locales del ID antes del fallo sirven como señal temprana de cortocircuito.

La ventaja principal es su accesibilidad: los investigadores ya usan SEM ampliamente y pueden aplicar el algoritmo a datos existentes, elevando el análisis a un nuevo nivel. Este avance acelerará el desarrollo de baterías más seguras, duraderas y de mayor densidad energética para vehículos eléctricos y almacenamiento a escala de red.