Uno strumento a raggi X del Berkeley Lab ha contribuito a uno studio sulle batterie che ha utilizzato un approccio innovativo all'apprendimento automatico per accelerare la curva di apprendimento su un processo che riduce la durata delle batterie al litio a ricarica rapida.
I ricercatori hanno utilizzato l'Advanced Light Source di Berkeley Lab, un sincrotrone che produce luce che va dall'infrarosso ai raggi X per dozzine di esperimenti simultanei, per eseguire una tecnica di imaging chimico nota come microscopia a raggi X a trasmissione a scansione, o STXM, in uno stato di -l'arte della linea di luce ALS soprannominata COSMIC.
I ricercatori hanno anche impiegato la diffrazione di raggi X "in situ" su un altro sincrotrone - la Stanford Synchrotron Radiation Lightsource di SLAC - che ha tentato di ricreare le condizioni presenti in una batteria e ha inoltre fornito un modello di batteria a molte particelle. Tutte e tre le forme di dati sono state combinate in un formato per aiutare gli algoritmi di apprendimento automatico ad apprendere la fisica al lavoro nella batteria.
Mentre i tipici algoritmi di apprendimento automatico cercano immagini che corrispondono o non corrispondono a un insieme di immagini di addestramento, in questo studio i ricercatori hanno applicato un insieme più profondo di dati provenienti da esperimenti e altre fonti per consentire risultati più raffinati. Rappresenta la prima volta che questo marchio di "apprendimento automatico scientifico" è stato applicato al ciclo della batteria, hanno osservato i ricercatori. Lo studio è stato pubblicato di recente in Nature Materials.
Lo studio ha beneficiato della capacità della linea di luce COSMIC di individuare gli stati chimici di circa 100 singole particelle, che è stata resa possibile dalle capacità di imaging ad alta velocità e ad alta risoluzione di COSMIC. Young-Sang Yu, un ricercatore presso l'ALS che ha partecipato allo studio, ha notato che ogni particella selezionata è stata fotografata a circa 50 diverse fasi di energia durante il processo di ciclo, per un totale di 5,000 immagini.
I dati degli esperimenti sulla SLA e di altri esperimenti sono stati combinati con i dati dei modelli matematici a ricarica rapida e con le informazioni sulla chimica e la fisica della ricarica rapida e quindi incorporati negli algoritmi di apprendimento automatico.
"Invece che fare in modo che il computer capisca direttamente il modello semplicemente alimentandolo con i dati, come abbiamo fatto nei due studi precedenti, abbiamo insegnato al computer come scegliere o imparare le giuste equazioni, e quindi la giusta fisica", ha affermato il ricercatore post-dottorato di Stanford Stephen Dongmin Kang, coautore dello studio.
Patrick Herring, ricercatore senior per il Toyota Research Institute, che ha supportato il lavoro attraverso il suo programma Accelerated Materials Design and Discovery, ha dichiarato: "Comprendendo le reazioni fondamentali che si verificano all'interno della batteria, possiamo prolungarne la durata, consentire una ricarica più rapida e, infine, progettare materiali per batterie migliori.
Riferimento: "Separazione di fase fittizia in ossidi a strati di Li guidati dall'elettro-autocatalisi" di Jungjin Park, Hongbo Zhao, Stephen Dongmin Kang, Kipil Lim, Chia-Chin Chen, Young-Sang Yu, Richard D. Braatz, David A. Shapiro, Jihyun Hong, Michael F. Toney, Martin Z. Bazant e William C. Chueh, 8 marzo 2021, Nature Materials.
DOI: 10.1038/s41563-021-00936-1