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。
毛孔很小，在微米范围内。由于他们的微小规模，将它们研究到决议，即将其与设备性能相关联而有困难。
来自伦敦帝国学院的调查人员设计了几乎研究毛孔的方法。科学家能够通过应用机器学习，以这种方式，通过这种知识来实现三维模拟，通过这些知识，预测性能。
深度学习和粒子加速器
研究人员采用了一种机器学习技术，称为深度卷积生成的对抗网络（DC-GANS）来产生微结构的三维图像数据。此方法涉及应用培训数据从使用中获得同步rotron.。
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。
据铅作者介绍安德里亚加顿 - 伦巴德多， 的帝国地球科学与工程系那“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。“
详细说明机器学习算法的结构和用于学习微观结构数据的“本质”的方法。图片记入伦敦帝国学院
获得足够量数据的困难
运行3D仿真以预测单元性能的过程需要大量数据。这对于数据集是统计上代表整个单元格的必要条件。
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，Sam Cooper博士，帝国的Dyson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
研究人员打算将它们的方法应用于制造优化的电极，用于改进的细胞。为了追求这一目标，它们仅限于算法的范围，仅产生使用当前制造业的可实现的结果。
有价值的见解进入微观结构
研究Lib元素的微观结构是持续的研究领域。我们最近报道了论美国能源部斯坦福大学能源斯特克国家加速实验室的科学家工作。这些研究人员使用X射线断层扫描数据，以及机器学习。斯坦福的工作为Lib阴极的细分提供了有价值的洞察力。
了解能量存储和生成装置如何在原子结构级别上函数的进展是追求能够实现电动汽车的广泛适应的利用电池所必需的。它还可以使远程IOT边缘设备进一步推进所需的更小，更能密集的电池，其中频繁的电池更换或充电将妨碍进展。
