一種新的機器學習算法使研究人員可以在運行3-D模擬之前探索燃料電池和鋰離子電池微結(jié)構(gòu)的可能設(shè)計，以幫助研究人員進行改進以提高性能。

改進措施包括使智能手機充電更快，增加電動汽車充電之間的時間間隔以及增加運行數(shù)據(jù)中心的氫燃料電池的功率。

該論文今天發(fā)表在npj計算材料上。

燃料電池使用清潔的氫燃料(可以由風能和太陽能產(chǎn)生)來產(chǎn)生熱量和電能，鋰離子電池(如智能手機，筆記本電腦和電動汽車中的鋰離子電池)是一種流行的能量存儲類型。兩者的性能都與它們的微觀結(jié)構(gòu)密切相關(guān)：它們電極內(nèi)部的孔(孔)的形狀和排列方式如何會影響燃料電池能產(chǎn)生多少功率，以及電池的充電和放電速度如何。

但是，由于微米級的孔是如此之小，因此很難以足夠高的分辨率研究它們的特定形狀和大小，以使其與整體細胞性能相關(guān)。

現(xiàn)在，帝國研究人員已應(yīng)用機器學習技術(shù)來幫助他們虛擬地探索這些孔并運行3-D模擬以基于其微觀結(jié)構(gòu)預(yù)測細胞性能。

研究人員使用了一種新穎的機器學習技術(shù)，稱為“深度卷積生成對抗網(wǎng)絡(luò)”(DC-GAN)。這些算法可以根據(jù)從執(zhí)行納米級成像的同步加速器(一種足球場大小的粒子加速器)獲得的訓(xùn)練數(shù)據(jù)中學習生成微觀結(jié)構(gòu)的3-D圖像數(shù)據(jù)。

帝國大學地球科學與工程學系的第一作者安德烈·蓋昂·隆巴多(Andrea Gayon-Lombardo)表示：“我們的技術(shù)正在幫助我們放大電池和電池，以了解哪些特性會影響整體性能。開發(fā)基于圖像的機器學習技術(shù)可以解鎖大規(guī)模分析圖像的新方法。”

在運行3-D模擬以預(yù)測電池性能時，研究人員需要足夠大的數(shù)據(jù)量才能被認為是整個電池的統(tǒng)計代表。當前難以以所需的分辨率獲得大量的微結(jié)構(gòu)圖像數(shù)據(jù)。

但是，作者發(fā)現(xiàn)，他們可以訓(xùn)練代碼來生成具有相同屬性的更大數(shù)據(jù)集，或者故意生成模型認為可以提高電池性能的結(jié)構(gòu)。

帝國理工學院戴森設(shè)計工程學院的項目主管Sam Cooper博士說：“我們團隊的發(fā)現(xiàn)將幫助能源界的研究人員設(shè)計和制造優(yōu)化的電極，以改善電池性能。這對于儲能和機械制造來說都是激動人心的時刻學習社區(qū)，因此我們很高興探索這兩個學科的接口。”

通過限制他們的算法以僅產(chǎn)生目前可行的制造結(jié)果，研究人員希望將他們的技術(shù)應(yīng)用于制造，以設(shè)計用于下一代電池的優(yōu)化電極。