スタッフエンジニアのBruisvanVlijmenは、ビルのArrillagaサイエンスセンターにあるBattery InformaticsLab1070内で作業しているのが見られます。 57.クレジット：Jacqueline Orrell / SLAC National Accelerator Laboratory
Berkeley LabのX線装置は、機械学習への革新的なアプローチを使用して、急速充電するリチウム電池の寿命を縮めるプロセスについての学習曲線をスピードアップする電池研究に貢献しました。
研究者は、バークレー研究所の高度な光源を使用しました。これは、赤外線からX線までの範囲の光を生成するシンクロトロンであり、数十回の同時実験で、走査透過X線顕微鏡法（STXM）と呼ばれる化学イメージング技術を-COSMICと名付けられた最先端のALSビームライン。
研究者たちはまた、別のシンクロトロンであるSLACのスタンフォードシンクロトロン放射光源で「その場」X線回折を採用しました。これは、バッテリーに存在する状態を再現しようとし、さらに多粒子バッテリーモデルを提供しました。 XNUMXつの形式のデータはすべて、機械学習アルゴリズムがバッテリーで動作している物理学を学習するのに役立つ形式で結合されました。
一般的な機械学習アルゴリズムは、トレーニングセットの画像と一致するか一致しない画像を探しますが、この研究では、研究者は実験やその他のソースからのより深いデータセットを適用して、より洗練された結果を実現しました。 このブランドの「科学的な機械学習」がバッテリーサイクリングに適用されたのはこれが初めてである、と研究者たちは指摘しました。 研究は最近で公開されました ネイチャーマテリアルズ.
この研究は、COSMICの高速、高解像度のイメージング機能によって可能になった、約100個の個々の粒子の化学状態を特定するCOSMICビームラインの機能の恩恵を受けました。 研究に参加したALSの研究科学者であるYoung-SangYuは、選択された各粒子がサイクリングプロセス中に約50の異なるエネルギーステップで画像化され、合計5,000の画像が得られたと述べました。
ALS実験およびその他の実験のデータは、急速充電の数学モデルのデータ、および高速充電の化学と物理に関する情報と組み合わされ、機械学習アルゴリズムに組み込まれました。
「以前のXNUMXつの研究で行ったように、コンピューターにデータを入力するだけでモデルを直接理解させるのではなく、適切な方程式、つまり適切な物理学を選択または学習する方法をコンピューターに教えました」とスタンフォード大学のポスドク研究員は述べています。研究共著者のスティーブン・ドンミン・カン。
Accelerated Materials Design andDiscoveryプログラムを通じて研究を支援したトヨタ研究所のシニアリサーチサイエンティストであるPatrickHerringは、次のように述べています。より良い電池材料を設計してください。」
参照：Jungjin Park、Hongbo Zhao、Stephen Dongmin Kang、Kipil Lim、Chia-Chin Chen、Young-Sang Yu、Richard D. Braatz、David A.Shapiroによる「電気自己触媒によって駆動されるLi層状酸化物の架空の相分離」ジヒョン・ホン、マイケル・F・トニー、マーティン・Z・バザント、ウィリアム・C・チュー、8年2021月XNUMX日 ネイチャーマテリアルズ.
DOI: 10.1038/s41563-021-00936-1
