燃料电池可由风能和太阳能产生的清洁氢燃料来产生热量和电能，同时智能手机、笔记本电脑和电动汽车中的锂离子电池也是一种很受欢迎的能源存储方式。两者的性能都与它们的微观结构密切相关：电极内部的小孔的形状和排列方式会影响燃料电池产生的能量，以及电池充放电速度。
然而，由于微米级的孔非常小，因此很难在足够高的分辨率下研究其特定的形状和大小，从而将其与电池的整体性能联系起来。
日前，帝国理工学院的研究人员利用机器学习技术来帮助他们虚拟地探索这些孔洞，并运行3D模拟来根据电池的微观结构预测电池的性能。
研究人员使用了一种名为“深度卷积生成对抗网络”（DC－GANs）的新型机器学习技术。该算法可以通过学习，然后生成基于纳米尺度成像同步加速器（一种足球场大小的粒子加速器）的训练数据的微观结构的三维图像数据。
帝国理工学院地球科学与工程系的Andrea Gayon－Lombardo是该研究的第一作者，他说：“我们的技术帮助我们聚焦电池和电池，去看看哪些特性会影响整体性能。开发这样的基于图像的机器学习技术有望能够找到同等规模分析图像的新方法。”
当运行3D模拟来预测电池性能时，研究人员需要足够大的数据量才能在统计学上代表所有电池。目前很难以所需的分辨率获得大量的微结构图像数据。不过研究人员发现他们可以通过训练代码来生成具有相同属性的更大的数据集，或者有意地生成模型所建议的能够产生性能更好的电池的结构。
帝国理工学院戴森设计工程学院的项目主管萨姆·库珀博士说：“我们的发现将帮助能源界的研究人员设计和制造经过优化的电极，以提高电池的性能。对于储能和机器学习行业人士来说，这是一个令人兴奋的时刻，因此我们很高兴探索这两个学科的接口。”
