燃料電池使用可以由風能和太陽能產生的清潔氫燃料來產生熱量和電能，而鋰離子電池（如智能手機，筆記本電腦和電動汽車中的鋰離子電池）是一種流行的能量存儲類型。兩者的性能都與它們的微觀結構密切相關：它們電極內部的孔的形狀和排列方式如何會影響燃料電池能產生多少功率，以及電池的充電和放電速度如何。
但是，由于微米級的孔非常小，因此很難以足夠高的分辨率研究它們的特定形狀和大小，以使其與整體細胞性能相關。
現在，帝國研究人員已應用機器學習技術來幫助他們虛擬地探索這些孔，并運行3D仿真以根據其微觀結構預測細胞性能。
研究人員使用了一種稱為“深度卷積生成對抗網絡”（DC-GAN）的新型機器學習技術。這些算法可以基于從執行納米級成像的同步加速器（一種足球場大小的粒子加速器）獲得的訓練數據中學習生成微觀結構的3D圖像數據。
帝國大學地球科學與工程學系的**作者安德烈·蓋昂·隆巴多（Andrea Gayon-Lombardo）說：“我們的技術正在幫助我們放大電池和電池，以了解哪些特性會影響整體性能。開發像這樣的基于圖像的機器學習技術可以開辟這種規模的圖像分析新方法。”
在運行3D仿真以預測細胞性能時，研究人員需要足夠大的數據量才能被認為可以代表整個細胞。當前難以以所需的分辨率獲得大量的微結構圖像數據。
但是，作者發現，他們可以訓練代碼來生成具有相同屬性的更大數據集，或者故意生成模型認為會導致電池性能更好的結構。
帝國大學戴森設計工程學院的項目主管Sam Cooper博士說：“我們團隊的發現將幫助能源界的研究人員設計和制造優化的電極，以改善電池性能。對于能量存儲和機器學習社區而言，這是一個令人興奮的時刻，因此我們很高興探索這兩個學科的接口。”
通過限制他們的算法以僅產生目前可行的制造結果，研究人員希望將他們的技術應用于制造，以設計用于下一代電池的優化電極