Os pesquisadores também empregaram difração de raios-X em outro síncrotron - Stanford Synchrotron Radiation Lightsource do SLAC - que tentou recriar as condições presentes em uma bateria e, adicionalmente, forneceu um modelo de bateria de muitas partículas.
Todas as três formas de dados foram combinadas em um formato para ajudar os algoritmos de aprendizado de máquina a aprender a física em funcionamento na bateria.
Enquanto algoritmos de aprendizado de máquina típicos buscam imagens que correspondem ou não a um conjunto de imagens de treinamento, neste estudo os pesquisadores aplicaram um conjunto mais profundo de dados de experimentos e outras fontes para permitir resultados mais refinados.
O estudo se beneficiou da capacidade de isolar os estados químicos de cerca de 100 partículas individuais. Cada partícula selecionada foi fotografada em cerca de 50 etapas de energia diferentes durante o processo de ciclo, para um total de 5,000 imagens.
Os dados de experimentos ALS e outros experimentos foram combinados com dados de modelos matemáticos de carregamento rápido e com informações sobre a química e a física do carregamento rápido e, em seguida, incorporados aos algoritmos de aprendizado de máquina.
“Em vez de fazer com que o computador descubra diretamente o modelo simplesmente alimentando-o com dados, como fizemos nos dois estudos anteriores, ensinamos ao computador como escolher ou aprender as equações certas e, portanto, a física certa”, diz Stephen, pesquisador de Stanford Dongmin Kang.