Исследователи также использовали дифракцию рентгеновских лучей на другом синхротроне - Стэнфордском источнике синхротронного излучения SLAC - который попытался воссоздать условия, существующие в батарее, и дополнительно предоставил модель батареи с множеством частиц.
Все три формы данных были объединены в формат, чтобы помочь алгоритмам машинного обучения изучить физику работы батареи.
В то время как типичные алгоритмы машинного обучения ищут изображения, которые либо соответствуют, либо не соответствуют обучающему набору изображений, в этом исследовании исследователи применили более глубокий набор данных из экспериментов и других источников, чтобы получить более точные результаты.
В ходе исследования была получена возможность выделить химические состояния около 100 отдельных частиц. Каждая выбранная частица была отображена примерно с 50 различными энергетическими ступенями во время цикла цикла, в общей сложности 5,000 изображений.
Данные экспериментов ALS и других экспериментов были объединены с данными из математических моделей быстрой зарядки, а также с информацией о химии и физике быстрой зарядки, а затем включены в алгоритмы машинного обучения.
«Вместо того, чтобы компьютер напрямую определял модель, просто вводя в нее данные, как мы делали в двух предыдущих исследованиях, мы научили компьютер, как выбирать или изучать правильные уравнения и, следовательно, правильную физику», - говорит исследователь из Стэнфорда Стивен Донмин Кан.