論文の概要: PINEAPPLE: Physics-Informed Neuro-Evolution Algorithm for Prognostic Parameter Inference in Lithium-Ion Battery Electrodes

• arxiv url: http://arxiv.org/abs/2602.18042v1
• Date: Fri, 20 Feb 2026 07:51:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-23 18:01:41.259833
• Title: PINEAPPLE: Physics-Informed Neuro-Evolution Algorithm for Prognostic Parameter Inference in Lithium-Ion Battery Electrodes
• Title（参考訳）: PINEAPPLE:リチウムイオン電池電極の予後パラメータ推定のための物理インフォームド神経進化アルゴリズム
• Authors: Karkulali Pugalenthi, Jian Cheng Wong, Qizheng Yang, Pao-Hsiung Chiu, My Ha Dao, Nagarajan Raghavan, Chinchun Ooi,
• Abstract要約: PINEAPPLEは、物理インフォームドニューラルネットワーク(PINN)と進化的探索アルゴリズムを統合し、迅速でスケーラブルで解釈可能なパラメータ推論を可能にする新しいフレームワークである。 PINEAPPLEは、オープンソースのCALCEレポジトリから複数のバッテリにまたがる電圧時間放電曲線からのみ、堅牢なパラメータ推論を示す。 PINEAPPLEは計算効率が良く、リアルタイムなパラメータ推定を可能にすることで、非破壊的で物理に基づくセル間およびセル内変数のキャラクタリゼーションへの有望な経路を提供する。
• 参考スコア（独自算出の注目度）: 0.8376229126363229
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate, real-time, yet non-destructive estimation of internal states in lithium-ion batteries is critical for predicting degradation, optimizing usage strategies, and extending operational lifespan. Here, we introduce PINEAPPLE (Physics-Informed Neuro-Evolution Algorithm for Prognostic Parameter inference in Lithium-ion battery Electrodes), a novel framework that integrates physics-informed neural networks (PINNs) with an evolutionary search algorithm to enable rapid, scalable, and interpretable parameter inference with potential for application to next-generation batteries. The meta-learned PINN utilizes fundamental physics principles to achieve accurate zero-shot prediction of electrode behavior with test errors below 0.1$\%$ while maintaining an order-of-magnitude speed-up over conventional solvers. PINEAPPLE demonstrates robust parameter inference solely from voltage-time discharge curves across multiple batteries from the open-source CALCE repository, recovering the evolution of key internal state parameters such as Li-ion diffusion coefficients across usage cycles. Notably, the inferred cycle-dependent evolution of these parameters exhibit consistent trends across different batteries without any customized degradation physics-embedded heuristic, highlighting the effective regularizing effect and robustness that can be conferred through incorporation of fundamental physics in PINEAPPLE. By enabling computationally efficient, real-time parameter estimation, PINEAPPLE offers a promising route towards the non-destructive, physics-based characterization of inter-cell and intra-cell variability of battery modules and battery packs, thereby unlocking new opportunities for downstream on-the-fly needs in next-generation battery management systems such as individual cell-scale state-of-health diagnostics.
• Abstract（参考訳）: リチウムイオン電池の内部状態の正確な、リアルタイムかつ非破壊的な推定は、劣化の予測、使用戦略の最適化、運用寿命の延長に重要である。 本稿では,PINEAPPLE(Physics-Informed Neuro-Evolution Algorithm for Prognostic Parameter Inference in Lithium-ion Battery Electrodes)を紹介し,PINEAPPLE(Physics-Informed Neuro-Evolution Algorithm for Prognostic Parameter Inference in Lithium-ion Battery Electrodes)について述べる。 メタ学習型PINNは、基本的な物理原理を用いて、従来の解法よりも経度を高く保ちながら、0.1$\%以下のテスト誤差で電極挙動のゼロショット予測を正確に行う。 PINEAPPLEは、オープンソースのCALCEレポジトリから複数のバッテリにまたがる電圧時間放電曲線からのみ、ロバストパラメータ推論を示し、使用サイクル全体にわたるLiイオン拡散係数などの重要な内部状態パラメータの進化を回復する。 特に、これらのパラメータのサイクル依存的進化は、カスタマイズされた劣化物理学を組み込んだヒューリスティックを使わずに、異なる電池間で一貫した傾向を示し、PINEAPPLEの基本的な物理を取り入れることで与えられる効果的な正則化効果とロバスト性を強調している。 PINEAPPLEは、計算効率が良く、リアルタイムなパラメータ推定を可能にすることにより、電池モジュールとバッテリーパックの非破壊的、物理ベースの特性評価、セル間変動、そして、個々のセルスケール状態診断のような次世代のバッテリー管理システムにおいて、ダウンストリーム・オン・ザ・フライの必要性に対する新たな機会を解放する、有望な経路を提供する。

関連論文リスト

• EntroLnn: Entropy-Guided Liquid Neural Networks for Operando Refinement of Battery Capacity Fade Trajectories [5.440491961792461]
  本研究は,EntroLnnによる全容量フェード軌道(CFT)の網羅的改善の範囲を拡大する。 バッテリー分析において,オンライン温度場から導出されるエントロピーに基づく特徴を初めて導入する。 平均絶対誤差は CFT では 0.004577 であり,EoL 予測では 18 サイクルである。
  論文  参考訳（メタデータ） (2026-01-08T03:32:57Z)
• Fixed Point Neural Acceleration and Inverse Surrogate Model for Battery Parameter Identification [5.094264803596951]
  電気化学電池モデルのパラメータ同定のためのディープラーニングに基づくフレームワークを提案する。 提案フレームワークは, 単一粒子モデルのニューラルサロゲートモデルと電解質 (NeuralSPMe) と深層学習に基づく固定点反復法を組み合わせたものである。
  論文  参考訳（メタデータ） (2025-10-28T07:20:38Z)
• 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)
• On-site estimation of battery electrochemical parameters via transfer learning based physics-informed neural network approach [0.0]
  提案手法は,バッテリ管理システムにおけるリアルタイム実装に適した計算コストを大幅に削減する。 動作データと関連する電気化学的パラメータを効果的に推定することができた。 この手法は、標準電荷プロファイルのデータを用いて、Raspberry Piデバイスで実験的に検証される。
  論文  参考訳（メタデータ） (2025-03-28T13:06:41Z)
• Predicting ionic conductivity in solids from the machine-learned potential energy landscape [68.25662704255433]
  本稿では, イオン伝導体の迅速かつ信頼性の高いスクリーニング手法として, 普遍的な原子間ポテンシャルの解析手法を提案する。 第一原理計算では,10種中8種が室温で超イオン性であることが確認された。 本手法は, 機械学習電位によって駆動される分子動力学と比較して約50倍の高速化係数を達成し, 第一原理分子動力学に比べて少なくとも3,000倍高速である。
  論文  参考訳（メタデータ） (2024-11-11T09:01:36Z)
• PINN surrogate of Li-ion battery models for parameter inference. Part I: Implementation and multi-fidelity hierarchies for the single-particle model [0.0]
  この原稿は、パラメータ推論のためのLiイオン電池モデルのPINNサロゲートを導入した2部シリーズの最初のものである。 複数個のニューラルネットを複数の物理損失フィデリティでトレーニングし、サロゲート精度を大幅に向上させるマルチフィデリティ階層的トレーニングが示される。
  論文  参考訳（メタデータ） (2023-12-28T19:09:56Z)
• 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-constrained deep neural network method for estimating parameters in a redox flow battery [68.8204255655161]
  バナジウムフローバッテリ(VRFB)のゼロ次元(0D)モデルにおけるパラメータ推定のための物理拘束型ディープニューラルネットワーク(PCDNN)を提案する。 そこで, PCDNN法は, 動作条件のモデルパラメータを推定し, 電圧の0Dモデル予測を改善することができることを示す。 また,PCDNNアプローチでは,トレーニングに使用しない操作条件のパラメータ値を推定する一般化能力が向上することが実証された。
  論文  参考訳（メタデータ） (2021-06-21T23:42:58Z)
• Benchmarking adaptive variational quantum eigensolvers [63.277656713454284]
  VQEとADAPT-VQEの精度をベンチマークし、電子基底状態とポテンシャルエネルギー曲線を計算する。 どちらの手法もエネルギーと基底状態の優れた推定値を提供する。 勾配に基づく最適化はより経済的であり、勾配のない類似シミュレーションよりも優れた性能を提供する。
  論文  参考訳（メタデータ） (2020-11-02T19:52:04Z)

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。