Para penyelidik juga menggunakan difraksi sinar-X di synchrotron lain - SLAC's Stanford Synchrotron Radiation Lightsource - yang berusaha mencipta semula keadaan yang terdapat dalam bateri, dan juga menyediakan model bateri banyak zarah.
Ketiga-tiga bentuk data digabungkan dalam format untuk membantu algoritma pembelajaran mesin mempelajari fizik di tempat kerja dengan bateri.
Walaupun algoritma pembelajaran mesin biasa mencari gambar yang sama ada atau tidak sepadan dengan set gambar latihan, dalam kajian ini para penyelidik menggunakan sekumpulan data yang lebih mendalam dari eksperimen dan sumber lain untuk memungkinkan hasil yang lebih halus.
Kajian ini memanfaatkan kemampuan untuk memisahkan keadaan kimia sekitar 100 zarah individu. Setiap zarah terpilih digambarkan pada sekitar 50 langkah tenaga yang berbeza semasa proses berbasikal, dengan jumlah 5,000 gambar.
Data dari eksperimen ALS dan eksperimen lain digabungkan dengan data dari model matematik pengisian pantas, dan dengan maklumat mengenai kimia dan fizik pengecasan pantas, dan kemudian dimasukkan ke dalam algoritma pembelajaran mesin.
"Daripada komputer secara langsung mengetahui modelnya dengan hanya memberi data, seperti yang kita lakukan dalam dua kajian sebelumnya, kita mengajar komputer bagaimana memilih atau mempelajari persamaan yang tepat, dan dengan itu fizik yang tepat," kata penyelidik Stanford Stephen Dongmin Kang.