燃料电池和锂离子电池（Libs）的性能与其电极内部的孔或孔的形状密切相关。这种微观结构会影响LIBS充电和放电的速度，以及燃料电池可以产生的电量。
气孔非常小，在微米范围内。由于它们的规模很小，研究它们与设备性能的关系所必需的分辨率已经被证明是困难的。
伦敦帝国理工学院的调查人员设计了一种这是一种研究毛孔的方法。科学家们已经能够通过机器学习的应用进行三维模拟，并通过这种方式获得微观结构的知识，并通过这种知识预测性能。
深度学习和粒子加速器
研究人员使用了一种被称为深度卷积生成对抗网络(DC-GANs)的机器学习技术来生成微观结构的三维图像数据。这种方法涉及应用从使用a同步加速器。
一个同步rotron是圆形颗粒加速器，可加速带电粒子，直到它们接近光速，产生非常明亮的光，称为同步射线。调查人员可以使用这种光来研究作为原子和分子的物质。
根据第一作者安德里亚Gayon-Lombardo的,帝国理工学院的地球科学与工程系,“我们的技术可以帮助我们缩放对电池和细胞进行缩放，以查看哪个属性会影响整体性能。开发基于图像的机器学习技术可以解锁以这种规模分析图像的新方法。“
详细描述了机器学习算法的结构和用于学习微观结构数据“本质”的方法的图表。图像归功于伦敦帝国理工学院
获得足够量数据的困难
运行3D模拟来预测细胞性能的过程需要大量的数据。这对于数据集在统计上代表整个单元格是必要的。
目前，获得足够的微观结构图像数据是困难的。但是，该研究的作者能够培训他们的代码，以生成带有所有相同属性的更大的数据集。或者，根据模型的建议，它们可以有目的地生成将导致更好的电池的结构。
根据项目主管，山姆·库珀博士帝国主义的戴森设计工程学院说:“我们的团队的调查结果将帮助能源社区的研究人员设计和制造优化的电极，以改善电池性能。这是储能和机器学习社区的令人兴奋的时刻，因此我们很高兴能够探索这两条学科的界面。“
研究目标
研究人员打算将他们的方法应用于制造改良电池的优化电极。为了实现这一目标，他们限制了算法的范围，只产生使用当前制造方式可以构建的结果。
对微观结构的宝贵见解
研究锂离子电池的微观结构是一个正在进行的研究领域。我们最近报道斯坦福大学美国能源部SLAC国家加速器实验室科学家的研究成果。这些研究人员使用了x射线断层扫描数据和机器学习。斯坦福大学的研究为锂离子电池阴极的击穿提供了有价值的见解。
在理解能量储存和发电设备如何在原子结构水平上发挥作用方面的进展，对于寻求锂离子电池是必要的，而锂离子电池将使电动汽车得到广泛应用。这也将使更小、更高能量密度的电池成为可能，以进一步推进远程物联网边缘设备，因为频繁更换电池或充电会阻碍进展。
