英国利用机器学习研究微观结构 以设计性能更佳的电池石材石桌
据外媒报道，英国帝国理工学院（ImperialCollegeLondon）的研究人员展示了机器学习可以如何帮助设计出性能更好的锂离子电池和燃料动力锂电池。此种新型机器学习算法让研究人员们能够探索燃料动力锂电池和锂离子电池微观结构的可能设计，然后运行3D仿真模型，帮助研究人员做出提升电池性能的改变。
性能的提升包括让智能手机充电速度更快、延长电动汽车的续航里程、新增数据中心氢燃料动力锂电池的功率等。
燃料动力锂电池可以利用由风能和太阳能等出现的清洁氢燃料，以出现热量和电力，而智能手机、笔记本电脑和电动汽车中的锂离子电池也是一种很受欢迎的能源存储方式。两者的性能都与其微观结构密切相关：电池内部小孔的形状和排列方式都会影响到燃料动力锂电池出现的能量以及电池的充放电速度。
不过，由于此类小孔的尺寸为微米级，非常小，在分辨率足够高的条件下研究此类小孔的特定形状和尺寸，以将其与电池的整体性能联系起来，可能会非常困难。
充电温度：-20~45℃
-放电温度：-40~+55℃
-40℃支持最大放电倍率：3C
-40℃ 3C放电容量保持率≥70%
现在，帝国理工学院的研究人员已经利用机器学习技术来帮助他们以虚拟方式探索此类小孔，并运行3D仿真模型，基于电池的微观结构，预测其性能。
研究人员采用一种称为“深度卷积生成对抗网络”（DC-GANs）的新型机器学习技术，基于从同步加速器（一种足球场大小的粒子加速器）的纳米级成像中获得的训练数据，学习生成电池微观结构的3D图像数据。
该研究的首席作者、帝国理工学院地球科学与工程系的AndreaGayon-Lombardo表示：“我们的技术帮助我们放大电池和电芯，以观察什么特性会影响整体性能。研发此种基于图像的机器学习技术可以为分析此种尺寸的图像供应新方法。”
当运行3D仿真模型以预测电池性能时，研究人员要足够大的数据量，在统计学上代表整个电池。目前很难获取分辨率达标的大量微观结构的图像数据。不过，研究人员发现，可以通过训练代码来生成具有相同属性、更大的数据集，或者有意地生成结构，此种结构能够建立性能更佳电池的模型。
通过限制其算法只出现目前可以实现生产的结果，研究人员希望能够将技术应用到电池制造中，为下一代电池设计得到优化的电极。
充电温度：0~45℃
放电温度：-40~+55℃
比能量：240Wh/kg
-40℃放电容量保持率：0.5C放电容量≥60%