Штатный инженер Бруис ван Влиймен работает в лаборатории информатики батарей 1070 в Научном центре Арриллага, корп. 57. Фото: Жаклин Оррелл / Национальная ускорительная лаборатория SLAC.
Рентгеновский прибор в лаборатории Беркли внес свой вклад в исследование аккумуляторов, в котором использовался инновационный подход к машинному обучению, чтобы ускорить процесс изучения процесса, который сокращает срок службы литиевых батарей с быстрой зарядкой.
Исследователи использовали усовершенствованный источник света Berkeley Lab, синхротрон, излучающий свет в диапазоне от инфракрасного до рентгеновского, для десятков одновременных экспериментов, чтобы выполнить метод химической визуализации, известный как сканирующая просвечивающая рентгеновская микроскопия, или STXM, в состоянии -современный луч ALS, получивший название COSMIC.
Исследователи также использовали дифракцию рентгеновских лучей «на месте» на другом синхротроне - источнике синхротронного излучения SLAC Stanford Synchrotron Radiation Lightsource - 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.
Хотя 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. Исследователи отметили, что это первый случай, когда этот вид «научного машинного обучения» был применен к циклическому использованию аккумуляторов. Исследование было недавно опубликовано в Природа материалы.
В ходе исследования была получена возможность выделить химические состояния около 100 отдельных частиц на канале COSMIC, что стало возможным благодаря высокоскоростной визуализации COSMIC с высоким разрешением. Янг-Санг Ю, научный сотрудник ALS, который участвовал в исследовании, отметил, что каждая выбранная частица была отображена примерно с 50 различными энергетическими ступенями в процессе 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 заставлять компьютер напрямую определять модель, просто вводя в него данные, как мы делали в двух предыдущих исследованиях, мы научили компьютер, как выбирать или изучать правильные уравнения и, следовательно, правильную физику», - сказал научный сотрудник Стэнфордского университета. Стивен Донгмин Канг, соавтор исследования.
Патрик Херринг, старший научный сотрудник научно-исследовательского института Toyota, который поддерживал эту работу в рамках своей программы ускоренного проектирования материалов и открытий, сказал: «Понимая фундаментальные реакции, происходящие в аккумуляторе, мы можем продлить срок его службы, обеспечить более быструю зарядку и, в конечном итоге, проектировать батареи из лучших материалов ».
Ссылка: «Фиктивное разделение фаз в слоистых оксидах Li, вызванное электрокатализом», авторы - Пак Чонджин, Хунбо Чжао, Стивен Донгмин Кан, Кипил Лим, Чиа-Чин Чен, Юнг-Санг Ю, Ричард Д. Браатц, Дэвид А. Шапиро, Джихён Хонг, Майкл Ф. Тони, Мартин З. Базант и Уильям К. Чуэ, 8 марта 2021 г., Природа материалы.
DOI: 10.1038/s41563-021-00936-1
