資料（liào）來源：倫敦帝國學院

摘要：研究人員已（yǐ）證（zhèng）明機器學習如何幫助設計性（xìng）能更好的鋰離子電池和燃料電池。

一種新的機（jī）器學習算法允（yǔn）許研究人員在運行3D仿真之前探索燃料電池和鋰離子電池微結構可能的設計，以幫助研究人員進行更改以提（tí）高性能。

改進措施包括使智（zhì）能手機充電更（gèng）快，增加電動汽車（chē）充電之間（jiān）的時間間隔以及增加運行數據中心的氫燃（rán）料（liào）電池的功（gōng）率。

該論文在《npj計算材料》中發（fā）表。

燃（rán）料（liào）電池使用可以由風能和太陽能產生（shēng）的清潔氫燃料來產生熱量和電能，而鋰離子電池（如（rú）智能手機，筆記本電腦和電動汽車中的（de）鋰離子電池）是一種流行的（de）能量存儲類型。兩者的（de）性能都與它們的微觀結構密切相關：它們電極內部的孔的形狀和排列方式如何會影響燃料電池能產生多少功率，以及電（diàn）池的充電和放電速度如何。

但是，由（yóu）於微米級的孔是如此之（zhī）小，因此可能難以以足夠高的分（fèn）辨率研究它們的特定形狀和（hé）大小以使其與整（zhěng）體細胞性能相關。

現在，帝國（guó）學院研究人員已應用機器學習技（jì）術來幫助（zhù）他們虛擬地探索這（zhè）些孔，並運行3D仿（fǎng）真以根據其微觀結構（gòu）預測（cè）細胞性能。

研究人員使（shǐ）用了一種新（xīn）穎的機器學習技術，稱為“深度卷積生成對抗網絡”（DC-GAN）。這些算法可以基於從執行納米級成像的同步加（jiā）速器（一（yī）種足球場大小的粒子加速器）獲得的訓練數（shù）據中學習生（shēng）成微觀結（jié）構的3D圖像（xiàng）數據。

帝國大（dà）學地球科學與工程係的主要作者安德（dé）裏亞·蓋翁-隆巴多（Andrea Gayon-Lombardo）說：“我們的技術正在幫助我們放（fàng）大（dà）電池和電池，以了解哪些特性會影響（xiǎng）整體性能。開發基於圖像（xiàng）的（de）機器學習技術可以解鎖大規模分析圖（tú）像的新方法。”

在運行3D模擬以預測細胞性能（néng）時，研究人員需要足夠（gòu）大的數據量才能被視為代表整個（gè）細胞的（de）統計（jì）數據。當前（qián）難以以所（suǒ）需的分辨率獲得大量的微結構圖像數據。

但是，作者發現，他們可以訓練代碼來生成具有相同屬性的更大數據集，或故意生成（chéng）模型認（rèn）為可以提高電池性能的結構。

帝國（guó）理工學院（yuàn）戴森設計工程學院的項目主管Sam Cooper博士說：“我們團隊的發（fā）現將幫助（zhù）能源（yuán）界的研究人員設計和製造優化的電極，以改善電池性（xìng）能。對於儲能和機器學習社區來說，這是一個激動人心的時刻，因此我們很高興能夠探索這兩個學科之間的接口。”

通過限製他（tā）們的算（suàn）法以僅產生當（dāng）前可行的製造結果，研究人員希望將他們的技術應用於製造，以（yǐ）設計用於下一代電（diàn）池的優化電極。

文章來源：

資料由倫敦帝國理工（gōng）學院提供。原著作者卡羅琳·布羅根（Caroline Brogan）。注意：內容可（kě）以根據樣式和長度進行了編輯。

期刊信息：

Andrea Gayon-Lombardo, Lukas Mosser, Nigel P. Brandon, Samuel J. Cooper. Pores for thought: generative adversarial networks for stochastic reconstruction of 3D multi-phase electrode microstructures with periodic boundaries. npj Computational Materials, 2020; 6 (1) DOI: 10.1038/s41524-020-0340-7

原文信息：

Imperial College London. "AI could help improve performance of lithium-ion batteries and fuel cells." ScienceDaily. ScienceDaily, 25 June 2020.

www.sciencedaily.com/releases/2020/06/200625080942.htm

聲明：本文（wén）由羞羞小视频塑業編譯，中文內容僅供參考，一切內容以英文原版為準。