一种新的机器学习算法允许研究人员在运行3D模拟之前探索燃料电池和锂离子电池微结构的可能设计，以帮助研究人员进行更改以提高性能。
改进措施包括使智能手机充电更快，增加电动汽车充电之间的时间间隔以及增加运行数据中心的氢燃料电池的功率。
该论文今天（2020年6月25日）发表在npj Computational Materials中。
燃料电池使用清洁的氢燃料（可由风能和太阳能产生）来产生热量和电能，锂离子电池（如智能手机，笔记本电脑和电动汽车中的锂离子电池）是一种流行的能量存储类型。两者的性能都与它们的微观结构密切相关：它们电极内部的孔（孔）的形状和排列方式如何会影响燃料电池能产生多少功率以及电池的充电和放电速度如何。
但是，由于微米级的孔非常小，因此很难以足够高的分辨率研究它们的特定形状和大小，以使其与整体细胞性能相关。
现在，帝国研究人员已应用机器学习技术来帮助他们虚拟地探索这些孔，并运行3D模拟以根据其微观结构预测细胞性能。
研究人员使用了一种新颖的机器学习技术，称为“深度卷积生成对抗网络”（DC-GAN）。这些算法可以根据从执行纳米级成像的同步加速器（一种足球场大小的粒子加速器）获得的训练数据中学习生成微观结构的3D图像数据。
帝国大学地球科学与工程学系的第一作者安德烈·盖亚·隆巴多（Andrea Gayon-Lombardo）说：“我们的技术正在帮助我们放大电池和电芯，以了解哪些特性会影响整体性能。开发像这样的基于图像的机器学习技术可以开辟这种规模的图像分析新方法。”
在运行3D模拟以预测细胞性能时，研究人员需要足够大的数据量才能被认为可以代表整个细胞。当前，难以以所需的分辨率获得大量的微结构图像数据。
但是，作者发现，他们可以训练代码来生成具有相同属性的更大数据集，或者故意生成模型认为会导致电池性能更好的结构。
帝国大学戴森设计工程学院的项目主管Sam Cooper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，以改善电池性能。对于能量存储和机器学习社区而言，这是一个令人兴奋的时刻，因此我们很高兴探索这两个学科的接口。”
通过限制他们的算法以仅产生当前可行的制造结果，研究人员希望将他们的技术应用于制造，以设计用于下一代电池的优化电极。
参考：Andrea Gayon-Lombardo，Lukas Mosser，Nigel P.Brandon和Samuel J. Cooper的“思考的点：用于随机重建具有周期性边界的3D多相电极微结构的生成对抗网络”，2020年6月25日，npj计算材料公司。DOI ：
10.1038 / s41524-020-0340-7
