論文の概要: Universal Battery Degradation Forecasting Driven by Foundation Model Across Diverse Chemistries and Conditions

• arxiv url: http://arxiv.org/abs/2601.00862v1
• Date: Tue, 30 Dec 2025 10:14:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-06 16:25:21.799918
• Title: Universal Battery Degradation Forecasting Driven by Foundation Model Across Diverse Chemistries and Conditions
• Title（参考訳）: 各種化学薬品のファンデーションモデルによるユニバーサルバッテリー劣化予測と条件
• Authors: Joey Chan, Huan Wang, Haoyu Pan, Wei Wu, Zirong Wang, Zhen Chen, Ershun Pan, Min Xie, Lifeng Xi,
• Abstract要約: この研究は、様々な化学薬品や使用シナリオにわたる堅牢なパフォーマンスを維持する、統一されたキャパシティ予測フレームワークを提案する。 我々は20の公開老化データセットを1,704個の細胞と3,961,195個の充電サイクルセグメントを含む大規模コーパスにキュレートした。 観測されたデータセットと、意図的に保持されていないデータセットの両方の実験は、単一の統一モデルが、強いデータセット毎のベースラインと比較して、競争力または優れた精度を達成することを示している。
• 参考スコア（独自算出の注目度）: 15.502149500162227
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate forecasting of battery capacity fade is essential for the safety, reliability, and long-term efficiency of energy storage systems. However, the strong heterogeneity across cell chemistries, form factors, and operating conditions makes it difficult to build a single model that generalizes beyond its training domain. This work proposes a unified capacity forecasting framework that maintains robust performance across diverse chemistries and usage scenarios. We curate 20 public aging datasets into a large-scale corpus covering 1,704 cells and 3,961,195 charge-discharge cycle segments, spanning temperatures from $-5\,^{\circ}\mathrm{C}$ to $45\,^{\circ}\mathrm{C}$, multiple C-rates, and application-oriented profiles such as fast charging and partial cycling. On this corpus, we adopt a Time-Series Foundation Model (TSFM) backbone and apply parameter-efficient Low-Rank Adaptation (LoRA) together with physics-guided contrastive representation learning to capture shared degradation patterns. Experiments on both seen and deliberately held-out unseen datasets show that a single unified model achieves competitive or superior accuracy compared with strong per-dataset baselines, while retaining stable performance on chemistries, capacity scales, and operating conditions excluded from training. These results demonstrate the potential of TSFM-based architectures as a scalable and transferable solution for capacity degradation forecasting in real battery management systems.
• Abstract（参考訳）: 電池容量の正確な予測は、エネルギー貯蔵システムの安全性、信頼性、長期的効率に不可欠である。 しかし、細胞化学、形態因子、操作条件の強い不均一性は、その訓練領域を超えて一般化する単一のモデルを構築するのを困難にしている。 この研究は、様々な化学薬品や使用シナリオにわたる堅牢なパフォーマンスを維持する、統一されたキャパシティ予測フレームワークを提案する。 我々は、20の公共老化データセットを1,704セルと3,961,195回の充電サイクルセグメントを含む大規模コーパスにキュレートし、高速充電や部分サイクリングなどのアプリケーション指向プロファイルを5ドルから4,5ドルに拡大した。 このコーパスでは、時間系列基礎モデル(TSFM)のバックボーンを採用し、パラメータ効率の低いローランド適応(LoRA)と物理誘導型コントラスト表現学習を適用して、共有劣化パターンをキャプチャする。 目に見えないデータセットと意図的に保持されたデータセットの両方の実験では、単一の統一モデルは、強いデータセット単位のベースラインと比較して、競争力または優れた精度を達成する一方で、化学、キャパシティスケール、トレーニングから除外された運用条件に対する安定したパフォーマンスを維持している。 これらの結果は,実バッテリ管理システムにおけるキャパシティ劣化予測のためのスケーラブルで転送可能なソリューションとしてのTSFMアーキテクチャの可能性を示している。

関連論文リスト

• Model-Based Policy Adaptation for Closed-Loop End-to-End Autonomous Driving [54.46325690390831]
  本稿では,事前学習したE2E運転エージェントのロバスト性と安全性を高めるための汎用フレームワークとして,モデルベースポリシー適応(MPA)を提案する。 MPAは、ジオメトリ一貫性のあるシミュレーションエンジンを用いて、まず様々な対物軌道を生成する。 MPAは拡散ベースのポリシーアダプタを訓練し、基本方針の予測を洗練させ、Q値モデルを多段階に分けて長期的な結果を評価する。
  論文  参考訳（メタデータ） (2025-11-26T17:01:41Z)
• SEMPO: Lightweight Foundation Models for Time Series Forecasting [45.456949943052116]
  SEMPOは比較的小規模なデータに対する事前トレーニングを必要とする軽量な基礎モデルであるが、強い時系列予測を示す。 SEMPOは、1)エネルギーを意識したSpEctral分解モジュールと、事前学習データの利用を大幅に改善する2つの重要なモジュールから構成される。 16のデータセットをカバーする2つの大規模ベンチマークの実験は、ゼロショットと少数ショットの予測シナリオの両方でSEMPOの優れたパフォーマンスを示している。
  論文  参考訳（メタデータ） (2025-10-22T15:58:44Z)
• The Curious Case of In-Training Compression of State Space Models [49.819321766705514]
  ステートスペースモデル(SSM)は、並列化可能なトレーニングと高速推論の両方を提供する。 鍵となる設計上の課題は、表現力の最大化と計算負荷の制限の間の適切なバランスを打つことだ。 我々のアプローチである textscCompreSSM はリニアリカレントユニットのような線形時間不変SSMに適用されるが、選択モデルにも拡張可能である。
  論文  参考訳（メタデータ） (2025-10-03T09:02:33Z)
• PowerGrow: Feasible Co-Growth of Structures and Dynamics for Power Grid Synthesis [75.14189839277928]
  本稿では,運用効率を維持しながら計算オーバーヘッドを大幅に削減する,共同生成フレームワークPowerGrowを提案する。 ベンチマーク設定による実験では、PowerGrowはフィデリティと多様性において、事前の拡散モデルよりも優れていた。 これは、運用上有効で現実的な電力グリッドシナリオを生成する能力を示している。
  論文  参考訳（メタデータ） (2025-08-29T01:47:27Z)
• Learning to fuse: dynamic integration of multi-source data for accurate battery lifespan prediction [0.0]
  本研究では,バッテリ寿命予測のためのハイブリッド学習フレームワークを提案する。 動的マルチソースデータ融合と積み重ねアンサンブル(SE)モデリングアプローチを統合する。 平均絶対誤差(MAE)は0.0058、根平均二乗誤差(RMSE)は0.0092、決定係数(R2)は0.9839である。
  論文  参考訳（メタデータ） (2025-04-25T10:24:45Z)
• ACCEPT: Diagnostic Forecasting of Battery Degradation Through Contrastive Learning [0.0]
  この研究は、基本的なバッテリー劣化モデルを確立し、様々なバッテリータイプと運転条件の信頼性の高い予測を提供する。 我々の新しいフレームワークは、コントラスト学習を用いて、基礎となる物理劣化パラメータと観測可能な操作量との関係をマッピングする。
  論文  参考訳（メタデータ） (2025-01-17T12:13:04Z)
• DiffBatt: A Diffusion Model for Battery Degradation Prediction and Synthesis [0.7342676110939172]
  本稿では,電池劣化予測と合成のための新しい汎用モデルDiffBattを紹介する。 老化挙動の不確実性を捉える確率モデルと、バッテリー劣化をシミュレートする生成モデルとして機能する。 すべてのデータセットの平均RMSEは196サイクルであり、他のモデルよりも優れ、より優れた一般化性を示す。
  論文  参考訳（メタデータ） (2024-10-31T12:53:53Z)
• On conditional diffusion models for PDE simulations [53.01911265639582]
  スパース観測の予測と同化のためのスコアベース拡散モデルについて検討した。 本稿では,予測性能を大幅に向上させる自動回帰サンプリング手法を提案する。 また,条件付きスコアベースモデルに対する新たなトレーニング戦略を提案する。
  論文  参考訳（メタデータ） (2024-10-21T18:31:04Z)
• Universal Battery Performance and Degradation Model for Electric Aircraft [52.77024349608834]
  電動垂直離着陸機(eVTOL)の設計、解析、運用には、Liイオン電池の性能の迅速かつ正確な予測が必要である。 我々は,eVTOLのデューティサイクルに特有の電池性能と熱的挙動のデータセットを生成する。 このデータセットを用いて,物理インフォームド機械学習を用いた電池性能・劣化モデル(Cellfit)を開発した。
  論文  参考訳（メタデータ） (2020-07-06T16:10:54Z)

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。