673886040@qq.com
Los experimentos de rayos X y la innovación en el aprendizaje automático podrían reducir años de inv
Un instrumento de rayos X en Berkeley Lab contribuyó a un estudio de baterías que utilizó un enfoque innovador del aprendizaje automático para acelerar la curva de aprendizaje sobre un proceso que acorta la vida útil de las baterías de litio de carga rápida.
Los investigadores utilizaron la fuente de luz avanzada de Berkeley Lab, un sincrotrón que produce luz que va desde infrarrojos hasta rayos X para docenas de experimentos simultáneos, para realizar una técnica de imágenes químicas conocida como microscopía de rayos X de transmisión de barrido, o STXM, en un estado de -la línea de luz de ALS llamada COSMIC.
Los investigadores también emplearon difracción de rayos X "in situ" en otro sincrotrón, el Stanford Synchrotron Radiation Lightsource de SLAC, que intentó recrear las condiciones presentes en una batería y, además, proporcionó un modelo de batería de muchas partículas. Las tres formas de datos se combinaron en un formato para ayudar a los algoritmos de aprendizaje automático a aprender la física en funcionamiento en la batería.
Si bien los algoritmos típicos de aprendizaje automático buscan imágenes que coincidan o no con un conjunto de imágenes de entrenamiento, en este estudio los investigadores aplicaron un conjunto más profundo de datos de experimentos y otras fuentes para permitir resultados más refinados. Representa la primera vez que esta marca de "aprendizaje automático científico" se aplica al ciclo de la batería, señalaron los investigadores. El estudio se publicó recientemente en Nature Materials.
El estudio se benefició de la capacidad de la línea de luz COSMIC para identificar los estados químicos de aproximadamente 100 partículas individuales, lo que fue posible gracias a las capacidades de imágenes de alta resolución y alta velocidad de COSMIC. Young-Sang Yu, un científico investigador de ALS que participó en el estudio, señaló que cada partícula seleccionada fue fotografiada en aproximadamente 50 pasos de energía diferentes durante el proceso de ciclo, para un total de 5,000 imágenes.
Los datos de los experimentos de ALS y otros experimentos se combinaron con datos de modelos matemáticos de carga rápida y con información sobre la química y la física de la carga rápida, y luego se incorporaron a los algoritmos de aprendizaje automático.
“En lugar de hacer que la computadora calcule directamente el modelo simplemente alimentándolo con datos, como hicimos en los dos estudios anteriores, le enseñamos a la computadora cómo elegir o aprender las ecuaciones correctas y, por lo tanto, la física correcta”, dijo el investigador postdoctoral de Stanford. Stephen Dongmin Kang, coautor del estudio.
Patrick Herring, científico investigador principal del Instituto de Investigación de Toyota, que apoyó el trabajo a través de su programa de Descubrimiento y Diseño Acelerado de Materiales, dijo: “Al comprender las reacciones fundamentales que ocurren dentro de la batería, podemos extender su vida útil, permitir una carga más rápida y, en última instancia, diseñar mejores materiales de batería ".
Referencia: "Separación de fases ficticia en óxidos en capas de Li impulsada por electro-autocatálisis" por Jungjin Park, Hongbo Zhao, Stephen Dongmin Kang, Kipil Lim, Chia-Chin Chen, Young-Sang Yu, Richard D. Braatz, David A. Shapiro, Jihyun Hong, Michael F. Toney, Martin Z. Bazant y William C. Chueh, 8 de marzo de 2021, Nature Materials.
