資料來（lái）源：倫敦帝國學院

摘要：研究人員已證明機器學習如何幫助（zhù）設計性能更好的鋰（lǐ）離子電池和燃（rán）料電池。

一種新的機器學習算（suàn）法允許研究人員在運行（háng）3D仿真之前探索燃料電池和鋰離子電池微結構可能的（de）設計，以幫助（zhù）研（yán）究人員進行更改以提高（gāo）性能。

改進措施包括使智能（néng）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（háng）數據中心的氫燃料電池（chí）的功率。

該論文在《npj計算材料》中發表。

燃料電池使（shǐ）用可以由（yóu）風能和太陽能產生的清潔氫燃料來產生（shēng）熱量和電能（néng），而鋰離子電池（如智能手機（jī），筆記本電腦和電動汽車中的鋰（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（wēi）觀結構密（mì）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（chǎn）生多少功（gōng）率，以及（jí）電池的充電和放電速度如何（hé）。

但（dàn）是，由於微米級的孔是如此之（zhī）小，因（yīn）此可能難以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（xì）胞性能相關。

現在，帝國學院研究人員已應（yīng）用機器學習（xí）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（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（wéi）“深度卷積生（shēng）成對抗網絡”（DC-GAN）。這些算法可以（yǐ）基於從執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（dé）的訓（xùn）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（yào）作者安德裏亞·蓋翁-隆（lóng）巴多（Andrea Gayon-Lombardo）說：“我們的技術正在幫助我們（men）放大電池（chí）和電池，以了解哪些特性會影響整體性能。開發基於圖像的機器學習技術可（kě）以（yǐ）解鎖大規模分析圖像的新方（fāng）法。”

在運行3D模擬以預（yù）測細胞性能時，研（yán）究人員需要足夠大的數據量才能被視為代表整個細胞的統計（jì）數據（jù）。當前難以以所需的分辨率獲得大量的微（wēi）結構圖（tú）像數據。

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

帝國（guó）理工學（xué）院戴森設計工程學院的項目主管（guǎn）Sam Cooper博士說：“我們團隊的發現將幫助（zhù）能源界的研究人員設計和製造優化的電極（jí），以改善電池性能。對於儲能和機器學習社區來說，這是一個激（jī）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（jiē）口。”

通過限製（zhì）他們的算（suàn）法以僅產生當前可行的製（zhì）造結（jié）果，研究人員希望將他們的技術應用於製造，以設計用（yòng）於（yú）下一代（dài）電池的優化電極。

文章來源：

資料由倫敦帝國（guó）理工學（xué）院提供。原著作（zuò）者卡羅琳·布（bù）羅根（gēn）（Caroline Brogan）。注意：內容可以根據樣式和長度進（jìn）行了編輯。

期刊（kān）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（wén）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（běn）文由澳亞塑業編譯，中文內容僅供參考，一切內容以英文原版為準。