Los investigadores también emplearon la difracción de rayos X en otro sincrotrón, la fuente de luz de radiación de sincrotrón de Stanford de SLAC, que intentó recrear las condiciones presentes en una batería y, además, proporcionó un modelo de batería de muchas partículas.
Las tres formas de datos se combinaron en un formato para ayudar a los algoritmos de aprendizaje automático a aprender la física en funcionamiento en la batería.
Si bien los algoritmos típicos de aprendizaje automático buscan imágenes que coincidan o no con un conjunto de imágenes de entrenamiento, en este estudio los investigadores aplicaron un conjunto más profundo de datos de experimentos y otras fuentes para permitir resultados más refinados.
El estudio se benefició de la capacidad de identificar los estados químicos de unas 100 partículas individuales. Se obtuvieron imágenes de cada partícula seleccionada en aproximadamente 50 pasos de energía diferentes durante el proceso de ciclo, para un total de 5,000 imágenes.
Los datos de los experimentos de ALS y otros experimentos se combinaron con datos de modelos matemáticos de carga rápida y con información sobre la química y la física de la carga rápida, y luego se incorporaron a los algoritmos de aprendizaje automático.
“En lugar de hacer que la computadora calcule directamente el modelo simplemente alimentándolo con datos, como hicimos en los dos estudios anteriores, le enseñamos a la computadora cómo elegir o aprender las ecuaciones correctas y, por lo tanto, la física correcta”, dice Stephen, investigador de Stanford. Dongmin Kang.