一种新的机器学习算法允许研究人员探索燃料电池和锂离子电池微观结构的可能设计，然后运行3D模拟，帮助研究人员做出改变，以提高性能。

　　这些改进可能包括让智能手机充电更快，增加电动汽车的充电间隔时间，以及增加运行数据中心的氢燃料电池的功率。

　　这篇论文今天(2020年6月25日)发表在npj Computational Materials上。

　　燃料电池使用清洁的氢燃料(可以由风能和太阳能产生)来产生热量和电力，而锂离子电池，就像智能手机、笔记本电脑和电动汽车中发现的那样，是一种流行的能源存储类型。两者的性能都与它们的微观结构密切相关:它们电极内部的孔隙(孔)的形状和排列方式会影响燃料电池产生的功率，以及电池充放电的速度。

　　然而，由于微米级的孔隙非常小，它们的具体形状和大小很难在足够高的分辨率下研究，从而将它们与整体细胞性能联系起来。

　　现在，帝国理工大学的研究人员已经应用机器学习技术来帮助他们虚拟地探索这些孔隙，并运行3D模拟，根据它们的微观结构预测细胞的性能。

　　研究人员使用了一种名为“深度卷积生成对抗网络”(DC-GANs)的新型机器学习技术。这些算法可以根据同步加速器(一种足球场大小的粒子加速器)进行纳米级成像获得的训练数据，学习生成微观结构的3D图像数据。

　　该研究的主要作者、帝国理工大学地球科学与工程系的安德里亚·加翁-隆巴多说:“我们的技术可以帮助我们放大电池和电池，看看哪些特性会影响整体性能。开发这样的基于图像的机器学习技术可以解锁分析这种规模图像的新方法。”

　　当运行3D模拟来预测细胞性能时，研究人员需要足够大的数据量来考虑整个细胞的统计代表性。目前很难获得所需分辨率的大量微结构图像数据。

　　然而，作者发现他们可以训练他们的代码生成具有所有相同属性的更大的数据集，或者有意生成模型表明将产生性能更好的电池的结构。

　　帝国理工戴森设计工程学院的项目主管萨姆·库珀博士说:“我们团队的发现将帮助能源界的研究人员设计和制造优化的电极，以提高电池性能。对于能源存储和机器学习社区来说，这都是一个令人兴奋的时刻，所以我们很高兴能够探索这两个学科的结合。”

　　通过限制他们的算法只能产生目前可行的制造结果，研究人员希望将他们的技术应用到制造中，为下一代电池设计优化的电极。