據外媒報道，英國帝國理工學院（ImperialCollegeLondon）的研究人員展示了機器學習可以如何幫助設計出性能更好的鋰離子電池和燃料動力鋰電池。此種新型機器學習算法讓研究人員們能夠探索燃料動力鋰電池和鋰離子電池微觀結構的可能設計，然后運行3D仿真模型，幫助研究人員做出提升電池性能的改變。

性能的提升包括讓智能手機充電速度更快、延長電動汽車的續航里程、新增數據中心氫燃料動力鋰電池的功率等。

燃料動力鋰電池可以利用由風能和太陽能等出現的清潔氫燃料，以出現熱量和電力，而智能手機、筆記本電腦和電動汽車中的鋰離子電池也是一種很受歡迎的能源存儲方式。兩者的性能都與其微觀結構密切相關：電池內部小孔的形狀和排列方式都會影響到燃料動力鋰電池出現的能量以及電池的充放電速度。

不過，由于此類小孔的尺寸為微米級，非常小，在分辨率足夠高的條件下研究此類小孔的特定形狀和尺寸，以將其與電池的整體性能聯系起來，可能會非常困難。

現在，帝國理工學院的研究人員已經利用機器學習技術來幫助他們以虛擬方式探索此類小孔，并運行3D仿真模型，基于電池的微觀結構，預測其性能。

研究人員采用一種稱為“深度卷積生成對抗網絡”（DC-GANs）的新型機器學習技術，基于從同步加速器（一種足球場大小的粒子加速器）的納米級成像中獲得的訓練數據，學習生成電池微觀結構的3D圖像數據。

該研究的首席作者、帝國理工學院地球科學與工程系的AndreaGayon-Lombardo表示：“我們的技術幫助我們放大電池和電芯，以觀察什么特性會影響整體性能。研發此種基于圖像的機器學習技術可以為分析此種尺寸的圖像供應新方法。”

當運行3D仿真模型以預測電池性能時，研究人員要足夠大的數據量，在統計學上代表整個電池。目前很難獲取分辨率達標的大量微觀結構的圖像數據。不過，研究人員發現，可以通過訓練代碼來生成具有相同屬性、更大的數據集，或者有意地生成結構，此種結構能夠建立性能更佳電池的模型。

通過限制其算法只出現目前可以實現生產的結果，研究人員希望能夠將技術應用到電池制造中，為下一代電池設計得到優化的電極。