論文の概要: From Prompt to Protocol: Fast Charging Batteries with Large Language Models

• arxiv url: http://arxiv.org/abs/2601.09626v1
• Date: Wed, 14 Jan 2026 16:58:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-15 18:59:20.477103
• Title: From Prompt to Protocol: Fast Charging Batteries with Large Language Models
• Title（参考訳）: PromptからProtocolへ:大規模言語モデルによる高速充電電池
• Authors: Ge Lei, Ferran Brosa Planella, Sterling G. Baird, Samuel J. Cooper,
• Abstract要約: 本研究では, 効率の良いバッテリ充電を実現するために, グラデーションフリーのLCM駆動閉ループ方式を2つ導入する。 現実的な高速充電のシナリオでは、P2OとP2Pはどちらも、最先端のマルチステップ定電流(CC)ベースラインよりも4.2%改善されている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Efficiently optimizing battery charging protocols is challenging because each evaluation is slow, costly, and non-differentiable. Many existing approaches address this difficulty by heavily constraining the protocol search space, which limits the diversity of protocols that can be explored, preventing the discovery of higher-performing solutions. We introduce two gradient-free, LLM-driven closed-loop methods: Prompt-to-Optimizer (P2O), which uses an LLM to propose the code for small neural-network-based protocols, which are then trained by an inner loop, and Prompt-to-Protocol (P2P), which simply writes an explicit function for the current and its scalar parameters. Across our case studies, LLM-guided P2O outperforms neural networks designed by Bayesian optimization, evolutionary algorithms, and random search. In a realistic fast charging scenario, both P2O and P2P yield around a 4.2 percent improvement in state of health (capacity retention based health metric under fast charging cycling) over a state-of-the-art multi-step constant current (CC) baseline, with P2P achieving this under matched evaluation budgets (same number of protocol evaluations). These results demonstrate that LLMs can expand the space of protocol functional forms, incorporate language-based constraints, and enable efficient optimization in high cost experimental settings.
• Abstract（参考訳）: 電池充電プロトコルを効率よく最適化することは、各評価が遅く、コストがかかり、差別化できないため困難である。 既存の多くのアプローチでは、プロトコル探索空間を厳しく制限し、探索可能なプロトコルの多様性を制限し、高性能なソリューションの発見を防ぐことで、この問題に対処している。 本稿では,LLMを用いた内部ループでトレーニングした小さなニューラルネットワークベースのプロトコルのコードを提案するPrompt-to-Optimizer (P2O) と,電流とそのスカラーパラメータの明示的な関数を記述するPrompt-to-Protocol (P2P) の2つの方法を紹介する。 ケーススタディ全体で、LLM誘導P2Oはベイズ最適化、進化アルゴリズム、ランダム検索によって設計されたニューラルネットワークよりも優れています。 現実的な高速充電シナリオでは、P2OとP2Pはどちらも、最先端のマルチステップ定数電流(CC)ベースラインよりも健康状態(高速充電サイクル下での容量保持ベースの健康指標)が4.2%改善され、P2Pは整合した評価予算の下でこれを達成している。 これらの結果から,LLMはプロトコル関数形式の範囲を拡大し,言語に基づく制約を取り入れ,高速な実験環境における効率的な最適化を実現することができることが示された。

関連論文リスト

• Degeneracy Cutting: A Local and Efficient Post-Processing for Belief Propagation Decoding of Quantum Low-Density Parity-Check Codes [0.9558392439655014]
  量子低密度パリティチェック(qLDPC)符号は、スケーラブルなフォールトトレラント量子計算を実現することを約束している。 qLDPC符号を復号化するための一般的なアプローチは、信念伝播デコーダ(BP)を使い、その後に復号化の精度を高めるための後処理ステップを用いることである。 リアルタイムデコーディングでは、処理後アルゴリズムは計算コストが小さく、並列実装を容易にするためにTannerグラフ上のローカル操作にのみ依存することが望ましい。 我々は,各安定化器の支持に制限された情報を操作するBPデコーダの効率的な後処理手法であるデジェネリアシーカット(DC)を提案する。
  論文  参考訳（メタデータ） (2025-10-09T18:01:30Z)
• Can Prompt Difficulty be Online Predicted for Accelerating RL Finetuning of Reasoning Models? [65.18157595903124]
  本研究では任意のプロンプトの反復的近似評価について検討する。 Model Predictive Prompt Selection (MoPPS)はベイズにおけるリスク予測フレームワークである。 MoPPSは迅速な困難を確実に予測し、ロールアウトを大幅に削減したトレーニングを加速する。
  論文  参考訳（メタデータ） (2025-07-07T03:20:52Z)
• Bayesian Optimization for Repeater Protocols [0.0]
  第一世代の量子リピータチェーンは、確率的絡み合い発生、交換、蒸留操作からなるプロトコルを実行することで絡み合いを分散する。 実験的な不完全性や操作の確率的性質から,与えられたプロトコルのシークレットキーレートを計算することは自明であることを示す。 我々は,異なるノード構成とハードウェア条件をまたいだリピータプロトコルの効率を最大化する方法についての知見を抽出するために,我々のフレームワークを利用する。
  論文  参考訳（メタデータ） (2025-02-04T10:46:12Z)
• Hyperparameters in Continual Learning: A Reality Check [50.784080714897776]
  連続学習(CL)は、可塑性(新しいタスクを学ぶ)と安定性(事前知識を保持する)のトレードオフをバランスしながら、一連のタスクでモデルを訓練することを目的としている。
  論文  参考訳（メタデータ） (2024-03-14T03:13:01Z)
• Statistical evaluation and optimization of entanglement purification protocols [0.0]
  提案手法は, ほぼ均一にサンプリングされた密度行列から推定される初期平均コンカレンスを改善できないことを示す。 また、より効率的なプロトコルを開発し、より効率的な2ドルプロジェクタに基づく最近の提案とともに数値的に検討する。
  論文  参考訳（メタデータ） (2024-02-19T16:58:03Z)
• Poisson Process for Bayesian Optimization [126.51200593377739]
  本稿では、Poissonプロセスに基づくランキングベースの代理モデルを提案し、Poisson Process Bayesian Optimization(PoPBO)と呼ばれる効率的なBOフレームワークを提案する。 従来のGP-BO法と比較すると,PoPBOはコストが低く,騒音に対する堅牢性も良好であり,十分な実験により検証できる。
  論文  参考訳（メタデータ） (2024-02-05T02:54:50Z)
• Maximize to Explore: One Objective Function Fusing Estimation, Planning, and Exploration [87.53543137162488]
  我々はtextttMEX というオンライン強化学習(オンラインRL)フレームワークを提案する。 textttMEXは、自動的に探索エクスプロイトのバランスをとりながら、見積もりと計画コンポーネントを統合する。 様々な MuJoCo 環境では,ベースラインを安定的なマージンで上回り,十分な報酬を得られる。
  論文  参考訳（メタデータ） (2023-05-29T17:25:26Z)
• LEAP: Scaling Numerical Optimization Based Synthesis Using an Incremental Approach [0.9297355862757838]
  LEAPアルゴリズムは、反復回路合成、インクリメンタル再最適化、次元削減、数値最適化により、次元間のスケーリングを改善する。 LEAPは、QFTのような既知の量子回路や、VQE、TFIM、QITEといった物理シミュレーション回路で評価された。
  論文  参考訳（メタデータ） (2021-06-21T16:44:53Z)

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。