A londoni Imperial College kutatói által fejlesztett új gépitanulás-algoritmus lehetővé teszi üzemanyagcellák és (az okostelefonokban, laptopokban, elektromos autókban lévő) lítium-ion elemek mikroszerkezeteiről készülő potenciális tervek tanulmányozását. Ezt követően futtathatják le a teljesítményt növelő változtatásokban segítő 3D szimulációkat.

Az üzemanyagcellák szél- és napenergiával generálható tiszta hidrogént használnak hő és elektromosság előállításához, míg a lítium-ion elemek népszerű energiatárolási eszközök. Mindkettő teljesítménye erősen függ a mikroszerkezeteiktől: az elektródák közti lyukak formája, elrendezése jelentősen befolyásolja az előállítható energiamennyiséget, az elemek töltési idejét.

A javításokból komoly előnyeink származhatnak, a mikrométer léptékű likacsok viszont annyira kicsik, hogy speciális alakjukat és méretüket nehéz a tökéletesítéshez szükséges nagy felbontásban tanulmányozni.

A kutatók ezért fordultak a gépi tanuláshoz, amely segít a szimulációkban, és a szimulációkkal a mikroszerkezetek alapján előrejelezhető a részecskék teljesítménye.

Speciális technikát alkalmaztak, és ezek az algoritmusok képesek megtanulni 3D képadatok generálását. Nanoléptékű képalkotással létrehozott gyakorlóadatokat használtak hozzájuk, mert azokból könnyebb kikövetkeztetni, hogy a likacsok mely tulajdonságai befolyásolják az összteljesítményt.

Ehhez azonban az egész üzemanyagcellát statisztikailag reprezentáló, hatalmas mennyiségű nagyfelbontású adat kell, amit a jelenlegi módszerekkel nehéz megszerezni. A kutatók ezért döntöttek a kód trenírozása mellett, mert így érték el, hogy az vagy ugyanazokkal a tulajdonságokkal rendelkező nagyobb adatsorokat, vagy jobb teljesítményű elemekhez vezető szerkezeteket generáljon.

Az eredményekből kiindulva jobb teljesítményre optimalizált elektródák fejleszthetők. A kutatás pedig mind az energiatárolással, mind a gépi tanulással foglalkozó szakemberek számára hasznos lehet, egyfajta interfészként szolgálhat a két terület között.