論文の概要: Fast and Generalizable parameter-embedded Neural Operators for Lithium-Ion Battery Simulation

• arxiv url: http://arxiv.org/abs/2508.08087v1
• Date: Mon, 11 Aug 2025 15:31:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-12 21:23:29.172168
• Title: Fast and Generalizable parameter-embedded Neural Operators for Lithium-Ion Battery Simulation
• Title（参考訳）: リチウムイオン電池シミュレーションのための高速かつ一般化可能なパラメータ埋め込み型ニューラル演算子
• Authors: Amir Ali Panahi, Daniel Luder, Billy Wu, Gregory Offer, Dirk Uwe Sauer, Weihan Li,
• Abstract要約: 我々は,Deep Operator Networks (DeepONets), Fourier Neural Operators (FNOs), and a new proposed parameter-embedded Fourier Neural Operator (PE-FNO)の3つの演算子学習サロゲートをベンチマークした。 DeepONetは、一定の動作を正確に再現するが、よりダイナミックな負荷に対処する。FNOはメッシュ不変性を維持し、濃度誤差を1%以下に抑え、すべての負荷タイプで1.7mV以下の電圧平均絶対誤差を発生させる。PE-FNOは16スレッドのSPMソルバよりも約200倍高速に実行される。
• 参考スコア（独自算出の注目度）: 1.099532646524593
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Reliable digital twins of lithium-ion batteries must achieve high physical fidelity with sub-millisecond speed. In this work, we benchmark three operator-learning surrogates for the Single Particle Model (SPM): Deep Operator Networks (DeepONets), Fourier Neural Operators (FNOs) and a newly proposed parameter-embedded Fourier Neural Operator (PE-FNO), which conditions each spectral layer on particle radius and solid-phase diffusivity. Models are trained on simulated trajectories spanning four current families (constant, triangular, pulse-train, and Gaussian-random-field) and a full range of State-of-Charge (SOC) (0 % to 100 %). DeepONet accurately replicates constant-current behaviour but struggles with more dynamic loads. The basic FNO maintains mesh invariance and keeps concentration errors below 1 %, with voltage mean-absolute errors under 1.7 mV across all load types. Introducing parameter embedding marginally increases error, but enables generalisation to varying radii and diffusivities. PE-FNO executes approximately 200 times faster than a 16-thread SPM solver. Consequently, PE-FNO's capabilities in inverse tasks are explored in a parameter estimation task with Bayesian optimisation, recovering anode and cathode diffusivities with 1.14 % and 8.4 % mean absolute percentage error, respectively, and 0.5918 percentage points higher error in comparison with classical methods. These results pave the way for neural operators to meet the accuracy, speed and parametric flexibility demands of real-time battery management, design-of-experiments and large-scale inference. PE-FNO outperforms conventional neural surrogates, offering a practical path towards high-speed and high-fidelity electrochemical digital twins.
• Abstract（参考訳）: リチウムイオン電池の信頼性の高いディジタルツインは、ミリ秒以下の速度で高い物理的忠実さを達成する必要がある。 本研究では, 深部演算子ネットワーク(DeepONets), フーリエニューラル演算子(FNOs), 新たに提案したパラメータ埋め込みフーリエニューラル演算子(PE-FNO)の3種類の演算子学習サロゲートをベンチマークし, それぞれのスペクトル層を粒子半径と固相拡散率で条件付ける。 モデルは、現在の4つのファミリー(コンスタント、三角、パルス-トレイン、ガウス-ランドム-フィールド)とフルレンジのステート・オブ・チャージ(SOC)(0 %から100 %)にまたがるシミュレートされた軌道で訓練される。 DeepONetは、一定の動作を正確に再現するが、より動的な負荷に悩まされる。 基本FNOはメッシュ不変性を維持し、濃度誤差を1%以下に保ち、電圧平均絶対誤差はすべての負荷タイプで1.7mV以下である。 パラメータ埋め込みの導入は誤差を極端に増加させるが、ラジイと微分の一般化を可能にする。 PE-FNOは16スレッドのSPMソルバより約200倍高速に実行される。 その結果、ベイズ最適化によるパラメータ推定タスクにおいて、PE-FNOの逆タスクにおける能力について検討し、それぞれ1.14 %と8.4 %の平均絶対パーセンテージ誤差で陽極と陰極の拡散率を復元し、従来の手法と比較して0.5918ポイント高い誤差を発生させる。 これらの結果は、ニューラルネットワークオペレーターがリアルタイムバッテリー管理、実験の設計、大規模推論といった精度、速度、パラメトリックな柔軟性の要求を満たすための道を開く。 PE-FNOは従来の神経サロゲートよりも優れており、高速で高忠実な電気化学デジタル双極子への実践的な道を提供する。

関連論文リスト

• Accurate Ab-initio Neural-network Solutions to Large-Scale Electronic Structure Problems [52.19558333652367]
  有限範囲埋め込み(FiRE)を高精度なアブ・イニシアチブ電子構造計算に応用する。 FiREは、ニューラルネットワークの変異モンテカルロ(NN-VMC)の複雑さを$sim ntextel$, the number of electronsによって低減する。 バイオケミカル化合物や有機金属化合物など,様々な課題に対して,本手法の精度を検証した。
  論文  参考訳（メタデータ） (2025-04-08T14:28:54Z)
• A Multi-Grained Symmetric Differential Equation Model for Learning Protein-Ligand Binding Dynamics [73.35846234413611]
  薬物発見において、分子動力学(MD)シミュレーションは、結合親和性を予測し、輸送特性を推定し、ポケットサイトを探索する強力なツールを提供する。 我々は,数値MDを容易にし,タンパク質-リガンド結合ダイナミクスの正確なシミュレーションを提供する,最初の機械学習サロゲートであるNeuralMDを提案する。 従来の数値MDシミュレーションと比較して1K$times$ Speedupを実現することにより,NeuralMDの有効性と有効性を示す。
  論文  参考訳（メタデータ） (2024-01-26T09:35:17Z)
• Fast Cell Library Characterization for Design Technology Co-Optimization Based on Graph Neural Networks [0.1752969190744922]
  設計技術の共同最適化(DTCO)は、最適パワー、性能、領域を達成する上で重要な役割を果たす。 本稿では,高速かつ正確なセルライブラリ解析のためのグラフニューラルネットワーク(GNN)に基づく機械学習モデルを提案する。
  論文  参考訳（メタデータ） (2023-12-20T06:10:27Z)
• Guaranteed Approximation Bounds for Mixed-Precision Neural Operators [83.64404557466528]
  我々は、ニューラル演算子学習が本質的に近似誤差を誘導する直感の上に構築する。 提案手法では,GPUメモリ使用量を最大50%削減し,スループットを58%向上する。
  論文  参考訳（メタデータ） (2023-07-27T17:42:06Z)
• Enhanced physics-constrained deep neural networks for modeling vanadium redox flow battery [62.997667081978825]
  本稿では,物理制約付き深部ニューラルネットワーク(PCDNN)による高精度電圧予測手法を提案する。 ePCDNNは、電圧放電曲線のテール領域を含む電荷放電サイクルを通して、電圧応答を正確にキャプチャすることができる。
  論文  参考訳（メタデータ） (2022-03-03T19:56:24Z)
• Physics-informed CoKriging model of a redox flow battery [68.8204255655161]
  レドックスフロー電池(RFB)は、大量のエネルギーを安価かつ効率的に貯蔵する機能を提供する。 RFBの充電曲線の高速かつ正確なモデルが必要であり、バッテリ容量と性能が向上する可能性がある。 RFBの電荷分配曲線を予測する多相モデルを構築した。
  論文  参考訳（メタデータ） (2021-06-17T00:49:55Z)
• Physics-aware deep neural networks for surrogate modeling of turbulent natural convection [0.0]
  Rayleigh-B'enard乱流流に対するPINNのサーロゲートモデルの使用を検討する。 標準ピンの精度が低いゾーンであるトレーニング境界に近い正規化として、どのように機能するかを示す。 50億のDNS座標全体のサロゲートの予測精度は、相対的なL2ノルムで[0.3% -- 4%]の範囲のすべてのフロー変数のエラーをもたらします。
  論文  参考訳（メタデータ） (2021-03-05T09:48:57Z)

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。