Onderzoekers gebruikten ook röntgendiffractie bij een andere synchrotron - SLAC's Stanford Synchrotron Radiation Lightsource - die probeerde de omstandigheden in een batterij na te bootsen, en bovendien een batterijmodel met veel deeltjes leverde.
Alle drie de vormen van gegevens werden gecombineerd in een indeling om de algoritmen voor het leren van machines te helpen de fysica aan het werk in de batterij te leren.
Terwijl typische algoritmen voor machine learning zoeken naar afbeeldingen die al dan niet overeenkomen met een trainingsset met afbeeldingen, hebben de onderzoekers in deze studie een diepere set gegevens uit experimenten en andere bronnen toegepast om meer verfijnde resultaten mogelijk te maken.
De studie profiteerde van het vermogen om de chemische toestand van ongeveer 100 individuele deeltjes te onderscheiden. Elk geselecteerd deeltje werd in beeld gebracht in ongeveer 50 verschillende energiestappen tijdens het cyclische proces, voor een totaal van 5,000 afbeeldingen.
De gegevens van ALS-experimenten en andere experimenten werden gecombineerd met gegevens van snelladende wiskundige modellen en met informatie over de chemie en fysica van snelladen, en vervolgens opgenomen in de algoritmen voor machine learning.
"In plaats van de computer het model direct te laten uitzoeken door het simpelweg gegevens in te voeren, zoals we deden in de twee eerdere onderzoeken, hebben we de computer geleerd de juiste vergelijkingen te kiezen of te leren, en dus de juiste fysica", zegt Stanford-onderzoeker Stephen Dongmin Kang.