Para peneliti juga menggunakan difraksi sinar-X pada sinkrotron lain - Sumber Cahaya Radiasi Sinkronisasi Sinkronisasi Stanford milik SLAC - yang berusaha menciptakan kembali kondisi yang ada dalam baterai, dan juga menyediakan model baterai banyak partikel.
Ketiga bentuk data tersebut digabungkan dalam format untuk membantu algoritme pembelajaran mesin mempelajari fisika yang bekerja di baterai.
Sementara algoritme pembelajaran mesin biasa mencari gambar yang cocok atau tidak cocok dengan kumpulan gambar pelatihan, dalam studi ini para peneliti menerapkan kumpulan data yang lebih dalam dari eksperimen dan sumber lain untuk memungkinkan hasil yang lebih disempurnakan.
Studi ini mendapat manfaat dari kemampuan untuk memilih status kimiawi dari sekitar 100 partikel individu. Setiap partikel yang dipilih dicitrakan pada sekitar 50 langkah energi yang berbeda selama proses siklus, dengan total 5,000 gambar.
Data dari eksperimen ALS dan eksperimen lainnya digabungkan dengan data dari model matematika pengisian cepat, dan dengan informasi tentang kimia dan fisika pengisian cepat, dan kemudian dimasukkan ke dalam algoritme pembelajaran mesin.
"Daripada meminta komputer secara langsung mencari model hanya dengan memasukkan data, seperti yang kami lakukan di dua studi sebelumnya, kami mengajari komputer cara memilih atau mempelajari persamaan yang tepat, dan juga fisika yang tepat," kata peneliti Stanford Stephen Dongmin Kang.