資料來源：倫敦帝國學院

摘要：研究人員已證明機器學習如何幫助設計性能更好（hǎo）的鋰離子電池（chí）和燃料電池。

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

改進措施包括使智能手機充電更快，增加電（diàn）動汽車充電之間的時間（jiān）間隔以及增加運行數（shù）據中心的氫（qīng）燃（rán）料（liào）電池的功率。

該論文在《npj計算材料》中發（fā）表。

燃料電池使用可以由風能和太陽能（néng）產生的清潔氫燃料來產生熱量和電能，而（ér）鋰離（lí）子電池（如智能手機，筆記本電腦（nǎo）和電動（dòng）汽車中的鋰（lǐ）離子電池）是一種流行的能量存儲類型。兩（liǎng）者的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（hé）排列方式如（rú）何會影響（xiǎng）燃料電池能產生多少功率，以及電池的充（chōng）電和放電速度如何。

但是，由於微米級的孔是如此之小，因此可（kě）能（néng）難以以足夠高的（de）分辨率研究它們的特定（dìng）形狀和大小以使其與（yǔ）整體細胞性能相關。

現在，帝國學院研（yán）究人員已應（yīng）用機器學習技術來幫助他們虛擬地探索這些孔，並運行3D仿真以根據其微觀結構預測細胞性能。

研究人（rén）員使用了一種新穎的機器學（xué）習技術（shù），稱為“深度卷積生成對抗網絡”（DC-GAN）。這些（xiē）算法可以基於從執（zhí）行納米級成像的同（tóng）步（bù）加速器（一種足球場大小（xiǎo）的粒子（zǐ）加速器）獲得的（de）訓練數據中學習生成微觀結構的3D圖像數據。

帝國大學地球科學（xué）與工程係的主要作（zuò）者安德裏（lǐ）亞·蓋翁-隆巴（bā）多（Andrea Gayon-Lombardo）說：“我們（men）的技術正在幫助我們放大電池和電池，以了解哪（nǎ）些（xiē）特性會（huì）影響整體性能。開發基於圖像的機器學習技術可以解（jiě）鎖大規（guī）模分析圖（tú）像的新方法。”

在運行3D模擬以（yǐ）預測細胞性能時，研究人員需（xū）要足夠大（dà）的（de）數據量才能被視為代表整個細胞的統計數據。當前難以以（yǐ）所需的分辨率（lǜ）獲得大量的微結構圖像數據。

但是，作（zuò）者發現，他們可以訓練代碼來生成具有相（xiàng）同屬性的更大數據集（jí），或故（gù）意生成模型（xíng）認為（wéi）可以提高（gāo）電池性能（néng）的結構。

帝國理工學院戴森（sēn）設計（jì）工程學（xué）院的項目主管Sam Cooper博士說（shuō）：“我們（men）團隊的發現（xiàn）將幫助能源界的研究人員設計和製造優化的電極，以改善電池性能。對於儲能和機器學習社區來（lái）說，這是一個激動（dòng）人心的時刻，因（yīn）此我們很高興（xìng）能夠探索這（zhè）兩個學科之間的接（jiē）口。”

通過限製他們（men）的算法以僅產生當前可行的製造結果，研究人員希望（wàng）將他們的技術應用於製（zhì）造，以設計用於下一代電池的優化電極。

文章來源：

資料由倫敦帝（dì）國（guó）理（lǐ）工學院提供。原著作者卡羅（luó）琳·布羅根（Caroline Brogan）。注意：內容可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：本文由澳（ào）亞塑業編譯（yì），中文內容僅供參考，一（yī）切內容以英文原版（bǎn）為準。