人工智能可以幫助改善鋰離子電池和燃料電池的性能

一種新的機器學習算法使研究人員可以在運行3-D模擬之前探索燃料電池和鋰離子電池微結構的可能設計，以幫助研究人員進行改進以提高性能。

改進措施包括使智能手機充電更快，增加電動汽車充電之間的時間間隔以及增加運行數據中心的氫燃料電池的功率。

該論文今天發表在npj計算材料上。

燃料電池使用清潔的氫燃料(可以由風能和太陽能產生)來產生熱量和電能，鋰離子電池(如智能手機，筆記本電腦和電動汽車中的鋰離子電池)是一種流行的能量存儲類型。兩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(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，以及電池的充電和放電速度如何。

但是，由于微米級的孔是如此之小，因此很難以足夠高的分辨率研究它們的特定形狀和大小，以使其與整體細胞性能相關。

現在，帝國研究人員已應用機器學習技術來幫助他們虛擬地探索這些孔并運行3-D模擬以基于其微觀結構預測細胞性能。

研究人員使用了一種新穎的機器學習技術，稱為“深度卷積生成對抗網絡”(DC-GAN)。這些算法可以根據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3-D圖像數據。

帝國大學地球科學與工程學系的第一作者安德烈·蓋昂·隆巴多(Andrea Gayon-Lombardo)表示：“我們的技術正在幫助我們放大電池和電池，以了解哪些特性會影響整體性能。開發基于圖像的機器學習技術可以解鎖大規模分析圖像的新方法。”

在運行3-D模擬以預測電池性能時，研究人員需要足夠大的數據量才能被認為是整個電池的統計代表。當前難以以所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，或者故意生成模型認為可以提高電池性能的結構。

帝國理工學院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助能源界的研究人員設計和制造優化的電極，以改善電池性能。這對于儲能和機械制造來說都是激動人心的時刻學習社區，因此我們很高興探索這兩個學科的接口。”

通過限制他們的算法以僅產生目前可行的制造結果，研究人員希望將他們的技術應用于制造，以設計用于下一代電池的優化電極。