Рентгенівський прилад у лабораторії Берклі сприяв дослідженню батареї, в якому використовувався інноваційний підхід до машинного навчання, щоб прискорити вивчення процесу, який скорочує термін служби літієвих акумуляторів, що швидко заряджаються.
Дослідники використовували розширене джерело світла Берклі Лабораторії, синхротрон, який виробляє світло від інфрачервоного до рентгенівського для десятків одночасних експериментів, щоб виконати техніку хімічної візуалізації, відому як скануюча трансмісійна рентгенівська мікроскопія, або STXM, у стані -сучасний промінь ALS під назвою COSMIC.
Дослідники також використовували дифракцію рентгенівських променів «in situ» на іншому синхротроні – джерелі світла Стенфордського синхротронного випромінювання SLAC – який намагався відтворити умови, наявні в батареї, і додатково надав модель батареї з багатьма частинками. Усі три форми даних були об’єднані у формат, щоб допомогти алгоритмам машинного навчання вивчати фізику, що працює в батареї.
У той час як типові алгоритми машинного навчання шукають зображення, які відповідають або не відповідають навчальному набору зображень, у цьому дослідженні дослідники застосували більш глибокий набір даних з експериментів та інших джерел, щоб отримати більш точні результати. Дослідники відзначили, що це перший раз, коли цей бренд «наукового машинного навчання» був застосований до батарейного циклу. Дослідження було опубліковано нещодавно в Матеріали природи.
У дослідженні була корисна здатність на лінії променів COSMIC виділяти хімічні стани близько 100 окремих частинок, що було забезпечено можливостями високошвидкісного зображення COSMIC з високою роздільною здатністю. Янг-Санг Ю, науковець з ALS, який брав участь у дослідженні, зазначив, що кожна обрана частинка була зображена приблизно на 50 різних енергетичних кроках під час циклічного процесу, в цілому 5,000 зображень.
Дані експериментів ALS та інших експериментів були об’єднані з даними математичних моделей швидкої зарядки, а також з інформацією про хімію та фізику швидкої зарядки, а потім включені в алгоритми машинного навчання.
«Замість того, щоб комп’ютер безпосередньо з’ясовував модель, просто передаючи їй дані, як ми робили в двох попередніх дослідженнях, ми навчили комп’ютер вибирати чи вивчати правильні рівняння, а отже, правильну фізику», — сказав дослідник Стенфордського постдокторського відділу. Стівен Донгмін Кан, співавтор дослідження.
Патрік Герінг, старший науковий співробітник Дослідницького інституту Toyota, який підтримав роботу через свою програму Accelerated Materials Design and Discovery, сказав: «Зрозумівши фундаментальні реакції, які відбуваються в акумуляторі, ми можемо продовжити термін його служби, дозволити швидшу зарядку і, зрештою, створювати кращі матеріали для батарей».
Довідка: «Фіктивне фазове розділення в шаруватих оксидах Li за допомогою електроавтокаталізу» Юнгджін Парк, Хунбо Чжао, Стівен Донгмін Кан, Кіпіл Лім, Чіа-Чін Чен, Янг-Сан Ю, Річард Д. Браатц, Девід А. Шапіро, Jihyun Hong, Michael F. Toney, Martin Z. Bazant and William C. Chueh, 8 березня 2021 р., Матеріали природи.
DOI: 10.1038/s41563-021-00936-1