Cuối tháng 6/2020, một nhóm nghiên cứu của Đại học Imperial College London đã công bố một thuật toán học máy mới trên tạp chí npj Computational Materials. Thuật toán học máy này cho phép các nhà nghiên cứu khám phá các thiết kế cấu trúc vi mô khả thi của pin nhiên liệu và pin lithium-ion trước khi chạy mô phỏng 3D.


Điều này giúp họ có thể thực hiện những thay đổi nhằm cải thiện hiệu suất như tăng tốc độ sạc điện thoại thông minh, tăng thời gian sử dụng giữa các lần sạc của xe điện hoặc tăng công suất pin nhiên liệu hydrogen để cung cấp năng lượng cho các trung tâm dữ liệu.

Các loại pin nhiên liệu sử dụng hydrogen sạch tạo ra từ năng lượng Mặt trời hoặc năng lượng gió và pin lithium-ion trong điện thoại thông minh, laptop hay xe điện là những dạng lưu trữ năng lượng phổ biến hiện nay. Hiệu suất của cả hai loại pin đều liên quan chặt chẽ đến cấu trúc vi mô của chúng, tức cách hình thành và sắp xếp các lỗ trống (pores) trong điện cực ảnh hưởng đến mức năng lượng tạo ra và tốc độ sạc – xả của pin. Tuy nhiên, vì các lỗ có kích thước rất nhỏ, chỉ vài micrometer (0.0001 cm) nên khó có thể nghiên cứu hình dạng và kích thước cụ thể ở độ phân giải đủ cao để gắn kết chúng với tổng thể hiệu suất pin.

Giờ đây, các nhà nghiên cứu của Đại học Imperial College London đã áp dụng các kỹ thuật học máy mới gọi là “các mạng đối kháng sinh mẫu tích chập đa lớp” (Deep Convolutional Generative Adversarial Networks, DC-GANs) để giúp khám phá hầu hết các lỗ trống này và chạy mô phỏng 3D nhằm dự đoán hiệu suất pin dựa trên cấu trúc vi mô. Các thuật toán có thể học cách tạo dữ liệu hình ảnh 3D của cấu trúc vi mô dựa trên việc huấn luyện dữ liệu thu được từ ảnh chụp ở kích cỡ nano trên máy gia tốc synchrotron.

Andrea Gayon-Lombardo, tác giả chính của nghiên cứu, thuộc Khoa Kỹ thuật và Khoa học trái đất, cho biết: “Kỹ thuật này giúp chúng tôi có thể khuếch đại trực tiếp vào pin và tế bào pin để xem những thuộc tính nào ảnh hưởng đến tổng thể hiệu suất. Việc phát triển những kỹ thuật học máy dựa trên hình ảnh có khả năng mở ra những cách tiếp cận mới để phân tích hình ảnh ở kích thước nhỏ như vậy”.

Khi chạy mô phỏng 3D để dự đoán hiệu suất, các nhà nghiên cứu cần một khối lượng dữ liệu đủ lớn để đại diện thống kê cho toàn bộ tế bào điện. Hiện tại rất khó có được khối lượng dữ liệu lớn về hình ảnh cấu trúc vi mô ở độ phân giải yêu cầu. Tuy nhiên, các tác giả nhận thấy họ có thể đào tạo các dòng code (lệnh) để tạo ra những bộ dữ liệu lớn hơn nhưng có cùng thuộc tính; hoặc thậm chí chủ động tạo ra những cấu trúc pin theo đề xuất của các mô hình có thể giúp pin hoạt động hiệu quả hơn.

Điều này có thể làm giảm đáng kể khối lượng mô phỏng cần thiết mang tính “đại diện” và do đó giúp giảm đáng kể chi phí tính toán của những mô phỏng điện hóa cần thiết để dự đoán hiệu suất của một cấu trúc vi mô cụ thể.

TS. Sam Cooper, người giám sát dự án và làm việc ở Trường Kỹ thuật Thiết kế Dyson thuộc ĐH Imperial College London nói: “Phát hiện của nhóm sẽ giúp các nhà nghiên cứu trong cộng đồng năng lượng có thể thiết kế và sản xuất lắp ráp các điện cực tối ưu để cải thiện hiệu suất pin. Đây là thời điểm thú vị cho cả hai lĩnh vực lưu trữ năng lượng và học máy.”

Với nỗ lực xây dựng thuật toán để tạo ra những kết quả có thể ứng dụng vào thực tiễn sản xuất hiện nay, các nhà nghiên cứu hi vọng các kĩ thuật của họ có thể giúp thiết kế các điện cực tối ưu cho thế hệ pin tiếp theo. □