2020年6月26日
一种新的机器学习算法允许研究人员探索燃料电池和锂离子电池微观结构的可能设计，然后进行3D模拟，帮助研究人员做出改变，提高性能。
改进可能包括让智能手机充电更快，增加电动汽车充电间隔时间，以及增加运行在数据中心的氢燃料电池的功率。
这份报纸是今天出版的npj计算材料欧洲杯足球竞彩．
燃料电池使用可由风能和太阳能产生的清洁氢燃料来产生热能和电能，而锂离子电池，如智能手机、笔记本电脑和电动汽车中使用的电池，是一种很受欢迎的储能类型。
两者的性能都与它们的微结构密切相关:电极内部的孔(洞)的形状和排列方式会影响燃料电池能产生多少能量，以及电池充放电的速度。
然而，由于微米级的孔是如此之小，它们的特定形状和大小可能很难以足够高的分辨率来研究它们与整个电池性能的关系。
现在，帝国理工学院的研究人员已经应用机器学习技术来帮助他们虚拟地探索这些孔隙，并运行3D模拟，根据它们的微观结构来预测细胞性能。
研究人员使用了一种新的机器学习技术深度卷积生成对抗网络(DC-GANs)。这些算法可以根据同步加速器(一种足球场大小的粒子加速器)在纳米尺度成像中获得的训练数据，学习生成微结构的三维图像数据。
帝国理工学院地球科学与工程系的首席作者Andrea Gayon-Lombardo说:欧洲杯线上买球“我们的技术可以帮助我们放大电池和电池，看看哪些特性会影响整体性能。开发像这样基于图像的机器学习技术，可以解锁分析这种规模图像的新方法。”
当运行3D模拟来预测单元性能时，研究人员需要足够大的数据量来统计整个单元。目前很难获得所需分辨率的大量微观结构图像数据。
然而，作者发现他们可以训练他们的代码生成具有相同属性的更大的数据集，或者有意生成模型所显示的能够产生性能更好的电池的结构。
帝国理工学院戴森设计工程学院的项目主管萨姆·库珀博士说:“我们团队的发现将帮助能源界的研究人员设计和制造优化的电极，以提高电池性能。对于储能和机器学习领域来说，这都是一个激动人心的时刻，所以我们很高兴能够探索这两个学科的接口。”
通过限制他们的算法只产生当前可生产的结果，研究人员希望将他们的技术应用于制造，为下一代电池设计优化电极。
来源:https://www.imperial.ac.uk/