Araştırmacılar ayrıca bir başka sinkrotronda (SLAC'ın Stanford Synchrotron Radyasyon Işık Kaynağı) X-ışını kırınımı kullandılar ve bu da bir pilde mevcut koşulları yeniden yaratmaya çalıştı ve ayrıca çok parçacıklı bir pil modeli sağladı.
Her üç veri biçimi de, makine öğrenimi algoritmalarının pilin işleyişindeki fiziği öğrenmesine yardımcı olacak bir formatta birleştirildi.
Tipik makine öğrenimi algoritmaları, bir eğitim seti ile eşleşen veya eşleşmeyen görselleri ararken, bu çalışmada araştırmacılar, daha hassas sonuçlar sağlamak için deneylerden ve diğer kaynaklardan elde edilen daha derin bir veri seti uyguladılar.
Çalışma, yaklaşık 100 ayrı parçacığın kimyasal durumlarını ayırma yeteneğinden yararlandı. Seçilen her parçacık, toplam 50 görüntü için döngü süreci sırasında yaklaşık 5,000 farklı enerji adımında görüntülendi.
ALS deneylerinden ve diğer deneylerden elde edilen veriler, hızlı şarj eden matematiksel modellerden gelen verilerle ve hızlı şarjın kimyası ve fiziği hakkındaki bilgilerle birleştirildi ve ardından makine öğrenimi algoritmalarına dahil edildi.
Stanford araştırmacısı Stephen şöyle diyor: "Daha önceki iki çalışmada yaptığımız gibi, bilgisayarın basitçe verileri besleyerek modeli doğrudan çözmesini sağlamak yerine, bilgisayara doğru denklemleri ve dolayısıyla doğru fiziği nasıl seçeceğini veya öğreneceğini öğrettik." Dong Min Kang.