Die Forscher verwendeten auch Röntgenbeugung an einem anderen Synchrotron - der Stanford Synchrotron Radiation Lightsource von SLAC -, die versuchte, die Bedingungen in einer Batterie wiederherzustellen, und lieferten zusätzlich ein Mehrteilchen-Batteriemodell.
Alle drei Datenformen wurden in einem Format kombiniert, um den Algorithmen für maschinelles Lernen das Erlernen der Physik bei der Arbeit in der Batterie zu erleichtern.
Während typische Algorithmen für maschinelles Lernen nach Bildern suchen, die entweder mit einem Trainingssatz von Bildern übereinstimmen oder nicht, verwendeten die Forscher in dieser Studie einen tieferen Datensatz aus Experimenten und anderen Quellen, um verfeinerte Ergebnisse zu ermöglichen.
Die Studie profitierte von der Fähigkeit, die chemischen Zustände von etwa 100 einzelnen Partikeln herauszufinden. Jedes ausgewählte Partikel wurde während des Zyklusprozesses in etwa 50 verschiedenen Energieschritten abgebildet, was insgesamt 5,000 Bilder ergab.
Die Daten aus ALS-Experimenten und anderen Experimenten wurden mit Daten aus schnell aufladenden mathematischen Modellen und mit Informationen über die Chemie und Physik des Schnellladens kombiniert und dann in die Algorithmen für maschinelles Lernen integriert.
„Anstatt den Computer das Modell direkt durch einfaches Zuführen von Daten herausfinden zu lassen, wie wir es in den beiden vorherigen Studien getan haben, haben wir dem Computer beigebracht, wie man die richtigen Gleichungen und damit die richtige Physik auswählt oder lernt“, sagt der Stanford-Forscher Stephen Dongmin Kang.