استخدم الباحثون أيضًا حيود الأشعة السينية في سنكروترون آخر - مصدر ضوء إشعاع ستانفورد سينكروترون التابع لـ SLAC - والذي حاول إعادة تهيئة الظروف الموجودة في البطارية ، وقدم بالإضافة إلى ذلك نموذج بطارية متعدد الجسيمات.
تم دمج جميع أشكال البيانات الثلاثة في تنسيق لمساعدة خوارزميات التعلم الآلي على تعلم الفيزياء أثناء العمل في البطارية.
بينما تبحث خوارزميات التعلم الآلي النموذجية عن الصور التي تتوافق أو لا تتطابق مع مجموعة الصور التدريبية ، طبق الباحثون في هذه الدراسة مجموعة أعمق من البيانات من التجارب والمصادر الأخرى لتمكين نتائج أكثر دقة.
استفادت الدراسة من القدرة على تحديد الحالات الكيميائية لحوالي 100 جسيم فردي. تم تصوير كل جسيم محدد في حوالي 50 خطوة طاقة مختلفة أثناء عملية التدوير ، ليصبح المجموع 5,000 صورة.
تم دمج البيانات من تجارب ALS والتجارب الأخرى مع بيانات من نماذج رياضية سريعة الشحن ، ومع معلومات حول كيمياء وفيزياء الشحن السريع ، ثم تم دمجها في خوارزميات التعلم الآلي.
يقول الباحث في جامعة ستانفورد ، ستيفن ، "بدلاً من جعل الكمبيوتر يكتشف النموذج بشكل مباشر عن طريق تزويده بالبيانات ، كما فعلنا في الدراستين السابقتين ، قمنا بتعليم الكمبيوتر كيفية اختيار المعادلات الصحيحة أو تعلمها ، وبالتالي الفيزياء الصحيحة". دونغمين كانغ.