論文の概要: Human-AI Synergy in Adaptive Active Learning for Continuous Lithium Carbonate Crystallization Optimization

• arxiv url: http://arxiv.org/abs/2507.19316v1
• Date: Fri, 25 Jul 2025 14:30:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-28 16:16:48.994897
• Title: Human-AI Synergy in Adaptive Active Learning for Continuous Lithium Carbonate Crystallization Optimization
• Title（参考訳）: 連続炭酸リチウム結晶化最適化のための適応型能動学習におけるヒューマンAIシナジー
• Authors: Shayan S. Mousavi Masouleh, Corey A. Sanz, Ryan P. Jansonius, Cara Cronin, Jason E. Hein, Jason Hattrick-Simpers,
• Abstract要約: 本研究では,炭酸リチウムの連続結晶化を最適化するために,Human-in-the-Loop(HITL)を用いたアクティブラーニングフレームワークを提案する。 その結果、フレームワークが新しいデータに迅速に適応できることが示され、重要な不純物に対するプロセスの耐性が大幅に向上した。 このブレークスルーにより、低品位で不純物に富んだリチウム資源の活用が実現可能となり、広範なプレリファインメントプロセスの必要性が軽減される可能性がある。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: As demand for high-purity lithium surges with the growth of the electric vehicle (EV) industry, cost-effective extraction from lower-grade North American sources like the Smackover Formation is critical. These resources, unlike high-purity South American brines, require innovative purification techniques to be economically viable. Continuous crystallization is a promising method for producing battery-grade lithium carbonate, but its optimization is challenged by a complex parameter space and limited data. This study introduces a Human-in-the-Loop (HITL) assisted active learning framework to optimize the continuous crystallization of lithium carbonate. By integrating human expertise with data-driven insights, our approach accelerates the optimization of lithium extraction from challenging sources. Our results demonstrate the framework's ability to rapidly adapt to new data, significantly improving the process's tolerance to critical impurities like magnesium from the industry standard of a few hundred ppm to as high as 6000 ppm. This breakthrough makes the exploitation of low-grade, impurity-rich lithium resources feasible, potentially reducing the need for extensive pre-refinement processes. By leveraging artificial intelligence, we have refined operational parameters and demonstrated that lower-grade materials can be used without sacrificing product quality. This advancement is a significant step towards economically harnessing North America's vast lithium reserves, such as those in the Smackover Formation, and enhancing the sustainability of the global lithium supply chain.
• Abstract（参考訳）: 電気自動車(EV)産業の成長に伴い、高純度リチウムの需要が急増する中、スモークオーバー層のような北米の低級資源からのコスト効率な抽出が重要である。 これらの資源は、高純度の南アメリカのブラインとは異なり、経済的に実行可能な革新的な浄化技術を必要としている。 連続結晶化は電池級の炭酸リチウムを製造する上で有望な方法であるが、その最適化には複雑なパラメータ空間と限られたデータがある。 本研究では,炭酸リチウムの連続結晶化を最適化するために,Human-in-the-Loop(HITL)を用いたアクティブラーニングフレームワークを提案する。 人間の専門知識をデータ駆動の洞察と統合することにより,リチウム抽出の最適化を高速化する。 以上の結果から, マグネシウムなどの臨界不純物への耐性は, 工業標準の数百ppmから6000ppmまで著しく向上した。 このブレークスルーにより、低品位で不純物に富んだリチウム資源の活用が実現可能となり、広範なプレリファインメントプロセスの必要性が軽減される可能性がある。 人工知能を活用することで、我々は運用パラメータを洗練し、製品の品質を犠牲にすることなく、低品位材料を使用できることを示した。 この進歩は、スマコーバー累層のような北米の広大なリチウム資源を経済的に活用し、世界的なリチウムサプライチェーンの持続可能性を高めるための重要な一歩である。

関連論文リスト

• Perovskite-R1: A Domain-Specialized LLM for Intelligent Discovery of Precursor Additives and Experimental Design [5.378023608941598]
  ペロブスカイト太陽電池 (PSCs) は、次世代の太陽電池技術の主要な候補として急速に出現している。 長期の安定、環境の持続可能性、スケーラブルな製造といった課題は、商業化を妨げ続けている。 プリキュラ付加工学はPSCの性能と耐久性を向上させることでこれらの問題に対処することを約束している。 本稿では,PSC前駆体の発見と設計に適した高度な推論機能を備えた特殊大言語モデル(LLM)であるPerovskite-R1を紹介する。
  論文  参考訳（メタデータ） (2025-07-22T07:48:32Z)
• Diffusion-Modeled Reinforcement Learning for Carbon and Risk-Aware Microgrid Optimization [48.70916202664808]
  DiffCarl(ディフカール)は、マルチマイクログリッドシステムのインテリジェントな操作のための、拡散モデルによる炭素およびリスクを考慮した強化学習アルゴリズムである。 従来のアルゴリズムと最先端のDRLソリューションを2.3-30.1%削減した。 また、炭素を意識しない変種よりも28.7%低い炭素排出量を達成し、性能の変動を減少させる。
  論文  参考訳（メタデータ） (2025-07-22T03:27:07Z)
• DRL-Based Injection Molding Process Parameter Optimization for Adaptive and Profitable Production [1.4343218844557677]
  本研究では, 射出成形におけるリアルタイムプロセス最適化のための新しい深部強化学習(DRL)フレームワークを提案する。 実際の製造コストを反映し、樹脂、モールド摩耗、電気価格を取り入れた利益関数が開発された。 実験により,DRLフレームワークは季節変動や運用変動に動的に適用可能であることが示された。
  論文  参考訳（メタデータ） (2025-05-16T08:35:31Z)
• Systematic Weight Evaluation for Pruning Large Language Models: Enhancing Performance and Sustainability [1.542607498220242]
  本研究は,トレーニング過程を通じて,個人の体重重大度を体系的に評価することに焦点を当てる。 性能を損なうことなくモデルサイズを効果的に削減する手法を提案する。 これらの発見は、持続可能な開発を保証するために最適化されたAIモデルの必要性を浮き彫りにしている。
  論文  参考訳（メタデータ） (2025-02-24T11:34:49Z)
• AI-Driven Discovery of High Performance Polymer Electrodes for Next-Generation Batteries [0.0]
  電池における遷移基金属の使用は、リチウム、コバルト、ニッケルといった重要な元素を広範囲に使用する必要がある。 これらの金属を酸化還元活性有機材料に置き換えることで、電池の炭素フットプリントを1桁減らすことができる。 低い電圧と特定の容量の制限を克服するために、機械学習駆動の電池情報処理フレームワークを開発し、実装する。
  論文  参考訳（メタデータ） (2025-02-19T17:32:17Z)
• BatGPT-Chem: A Foundation Large Model For Retrosynthesis Prediction [65.93303145891628]
  BatGPT-Chemは150億のパラメータを持つ大規模な言語モデルであり、再合成予測の強化に最適化されている。 我々のモデルは幅広い化学知識を捉え、反応条件の正確な予測を可能にする。 この開発により、化学者は新しい化合物を十分に扱うことができ、医薬品製造と材料科学の革新サイクルを早める可能性がある。
  論文  参考訳（メタデータ） (2024-08-19T05:17:40Z)
• Machine Guided Discovery of Novel Carbon Capture Solvents [48.7576911714538]
  機械学習は、材料開発における時間とリソースの負担を軽減するための有望な方法を提供する。 そこで我々は, 市販の酸性ガススクラップ式炭素捕捉装置に適合する新規な水性アミンを, エンドツーエンドで発見する「発見サイクル」を開発した。 予測プロセスは、材料パラメータの両方の実験に対して60%の精度を示し、外部テストセット上では1つのパラメータに対して80%の精度を示す。
  論文  参考訳（メタデータ） (2023-03-24T18:32:38Z)
• Machine-Learning-Optimized Perovskite Nanoplatelet Synthesis [55.41644538483948]
  総合成量200のCsPbBr3ナノプレート(NPL)の品質向上のためのアルゴリズムを開発した。 このアルゴリズムは、前駆率に基づいて、NPL分散のPL放出最大値を予測することができる。
  論文  参考訳（メタデータ） (2022-10-18T11:54:11Z)
• Machine Learning with Knowledge Constraints for Process Optimization of Open-Air Perovskite Solar Cell Manufacturing [5.240805076177176]
  本稿では,製造プロセス最適化のための逐次学習のMLフレームワークを提案する。 環境条件下でのペロブスカイト薄膜のラピッドスプレープラズマプロセッシング(RSPP)技術に本手法を適用した。 100条件のプロセス条件をスクリーニングする実験予算を限定し, 最高の動作装置に対して18.5%の効率向上を実証した。
  論文  参考訳（メタデータ） (2021-10-01T00:36:56Z)
• Unassisted Noise Reduction of Chemical Reaction Data Sets [59.127921057012564]
  本稿では,データセットから化学的に間違ったエントリを除去するための,機械学習に基づく無支援アプローチを提案する。 その結果,クリーン化およびバランスの取れたデータセットでトレーニングしたモデルの予測精度が向上した。
  論文  参考訳（メタデータ） (2021-02-02T09:34:34Z)
• Deep Learning for Virtual Screening: Five Reasons to Use ROC Cost Functions [80.12620331438052]
  深層学習は サイリコの何十億もの分子を 迅速にスクリーニングする 重要なツールとなりました その重要性にもかかわらず、厳密なクラス不均衡、高い決定しきい値、いくつかのデータセットにおける基底真理ラベルの欠如など、これらのモデルのトレーニングにおいて重大な課題が続いている。 このような場合、クラス不均衡に対するロバスト性から、レシーバ動作特性(ROC)を直接最適化することを好んで論じる。
  論文  参考訳（メタデータ） (2020-06-25T08:46:37Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。