创新背景

燃料电池使用可由风能和太阳能产生的清洁的氢燃料来产生热量和电力，而锂离子电池是一种流行的能源存储类型。两者的性能都与它们的微观结构密切相关：它们电极内部的孔隙的形状和排列方式会影响燃料电池产生的功率，以及电池充放电的速度。

然而，由于微米级的孔隙非常小，因此很难以足够高的分辨率研究它们的特定形状和大小，以将它们与整体细胞性能联系起来。

创新过程

帝国理工学院的研究团队开发了一种名为“深度卷积生成对抗网络”(DC-GANs)的新型机器学习技术，帮助研究人员探索燃料电池和锂离子电池微观结构的可能设计，并运行3D模拟，根据它们的微观结构预测细胞的性能。

这篇“Pores for thought: generative adversarial networks for stochastic reconstruction of 3D multi-phase electrode microstructures with periodic boundaries”论文发表在npj Computational Materials上。在本篇文章中，研究人员展示了机器学习如何帮助设计性能更好的锂离子电池和燃料电池。

这些算法可以学习基于从纳米级成像中进行的同步加速器（一种足球场大小的粒子加速器）获得的训练数据来生成微观结构的3D图像数据。这些改进可能包括让智能手机充电更快，增加电动汽车的充电间隔时间，以及增加数据中心运行的氢燃料电池的功率。

这项新技术可以帮助研究人员放大电池和电池单元，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可以解锁分析这种规模图像的新方法。

机器学习算法的结构及其用于学习微观结构数据的“本质”的方法

当运行3D模拟来预测细胞性能时，研究人员需要足够大的数据量来考虑整个细胞的统计代表性。目前很难获得所需分辨率的大量微结构图像数据。

来自阴极和阳极样品的图像，显示真实和算法生成的微观结构。

然而，研究人员发现他们可以训练他们的代码来生成具有所有相同属性的更大的数据集，或者有意生成模型表明可以产生性能更好的电池的结构。

对于锂离子阴极(L)和SOFC阳极(R)，通过轻微改变发生器的输入，可以产生周期性的微观结构。对于每个电极，四个实例显示，使周期性更容易观察。也显示了局域标量通量图从稳态扩散模拟在TauFactor与镜像(上)或周期(下)边界条件实现的垂直边缘。

通过限制他们的算法只能产生目前可用于制造的结果。接下来，研究人员希望将他们的技术应用到制造中，为下一代电池设计优化电极。

创新关键点

帝国理工学院的研究人员将机器学习与能源储存相结合，开发出了一种名为“深度卷积生成对抗网络”(DC-GANs)的新技术。研究团队的发现将帮助能源领域的研究人员设计和制造优化电极，以提高电池性能。