Investigadores del Imperial College de Londres han demostrado cómo el aprendizaje automático puede ayudar a diseñar baterías de ion-litio y pilas de combustible con un mejor rendimiento. Así, han aplicado técnicas de machine learning para realizar exploraciones virtuales y ejecutar simulaciones en 3D para predecir el rendimiento de las células según su microestructura.

Un nuevo algoritmo de aprendizaje automático permite a los investigadores explorar posibles diseños para la microestructura de las celdas de combustible y las baterías de iones de litio, antes de ejecutar simulaciones 3D que ayudan a los investigadores a realizar cambios para mejorar su rendimiento.

En el estudio, publicado en la revista Computational Materials, los investigadores utilizaron una nueva técnica de aprendizaje automático llamada "redes adversas generativas convolucionales profundas" (DC-GAN). Estos algoritmos pueden aprender a generar datos de imágenes tridimensionales de la microestructura, obtenidos de los sincrotrones realizados con imágenes a nanoescala (una especie de acelerador de partículas del tamaño de un estadio de fútbol). 

De esta forma, se podrá ayudar a la comunidad energética a diseñar y fabricar electrodos optimizados para mejorar el rendimiento celular. Cuando se ejecutan simulaciones 3D para predecir el rendimiento celular, hasta ahora se necesitan un volumen de datos muy grande y actualmente es difícil obtener grandes volúmenes de datos de imágenes microestructurales a la resolución requerida. Sin embargo, con este estudio se ha descubierto que se puede entrenar el código para generar conjuntos de datos mucho más grandes que tienen las mismas propiedades, o generar deliberadamente estructuras que los modelos sugieren que darían como resultado baterías de mejor rendimiento.

Al contar con este desarrollo, está técnica podrá suponer mejoras en las baterías de los smartphones para que estos se carguen más rápido, aumentar el tiempo entre carga para los vehículos eléctricos, así como se podrá incrementar la potencia de las celdas de combustible de hidrógeno.

Andrea Gayon-Lombardo, del área de Ciencias de la Tierra e Ingeniería del Imperial College y autora principal del estudio, subraya que esta técnica les "ayuda a acercarnos a las baterías y celdas para ver qué propiedades afectan al rendimiento general". El desarrollo de técnicas de aprendizaje de máquinas basadas en imágenes como esta "podría desbloquear nuevas formas de analizar imágenes a esta escala", incide la investigadora.