資料來（lái）源：倫敦（dūn）帝國學院

摘要：研究人員已證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（zhǒng）新的機器學習算法允許研究人員在運行3D仿真之（zhī）前探（tàn）索燃料（liào）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高性能。

改進措施包括使智能手機充電更快（kuài），增加電動汽車充電之間的時間間隔（gé）以（yǐ）及（jí）增加（jiā）運行數據（jù）中心的氫燃料電池的功率。

該論文在《npj計算材料（liào）》中發表。

燃料（liào）電池（chí）使（shǐ）用可以（yǐ）由風能和太陽能產生的清潔氫燃（rán）料來產生熱量和電能，而鋰離子電池（如智（zhì）能手（shǒu）機，筆記本電腦和（hé）電動汽車中的鋰離子電池）是一種流行的能量（liàng）存儲類型。兩者的性能都與它（tā）們的微觀結構（gòu）密切相關：它們電極內部的孔的形狀（zhuàng）和排列方式如何會影響燃料（liào）電池能產生多少功率，以及電池的充電和放電速度如（rú）何。

但是，由於微米級的孔是如此之小，因此可能難以以（yǐ）足夠高的分辨率研（yán）究它們的特定形狀和大小以使其與整體細胞性能相關。

現在，帝國學院研究人員已應用（yòng）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（cè）細胞性能。

研（yán）究人員使用了一種新穎的機器學習（xí）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速器（一種足球場大小的粒子加速器）獲得的訓練數據中學習生成微觀結構的3D圖像數據。

帝國大學地球科學與工程係的主要作者（zhě）安德裏亞·蓋翁-隆（lóng）巴多（Andrea Gayon-Lombardo）說：“我們的技術正（zhèng）在幫助我們放大電池和（hé）電池，以了（le）解哪些特性會影響整體性（xìng）能。開發基於圖像的機器學習技術可（kě）以解（jiě）鎖（suǒ）大規模分析圖像的新方法。”

在運行3D模擬以預測（cè）細胞性能時，研究人員（yuán）需要足夠大的數（shù）據（jù）量（liàng）才能被視為代表整個細胞的統計數據。當前難以以所需的分辨率獲得大量的（de）微結構圖像數據。

但是，作者（zhě）發現，他們（men）可以訓練代碼來生（shēng）成具有相同屬（shǔ）性的更大數據集，或（huò）故意生成（chéng）模型認為可（kě）以提高電池性能的結構。

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

通過限製他們的算法以（yǐ）僅產（chǎn）生當前可行的製造結果，研究人員希望將他們的技術應用於（yú）製造，以設計（jì）用於下一代電池的優化電極。

文章來源：

資料由倫敦帝國（guó）理工學（xué）院提供。原著作者（zhě）卡羅琳·布羅根（Caroline Brogan）。注（zhù）意：內容可以根（gēn）據樣式和長（zhǎng）度進行了（le）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（běn）文由最新国产福利在线观看塑業編譯，中文內容僅供參（cān）考，一切內容以英文原版為準。