論文の概要: Conformalized Transfer Learning for Li-ion Battery State of Health Forecasting under Manufacturing and Usage Variability

• arxiv url: http://arxiv.org/abs/2603.24475v1
• Date: Wed, 25 Mar 2026 16:16:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-26 21:06:11.382555
• Title: Conformalized Transfer Learning for Li-ion Battery State of Health Forecasting under Manufacturing and Usage Variability
• Title（参考訳）: 製造・使用変動下におけるリチウムイオン電池状態のコンフォーマライズ・トランスファー学習
• Authors: Samuel Filgueira da Silva, Mehmet Fatih Ozkan, Faissal El Idrissi, Marcello Canova,
• Abstract要約: 既存のモデルは、製造のバリエーションが小さいため異なる新しい細胞に一般化できない場合や、異なる条件下での操作に失敗する場合が多い。 本稿では,Long Short-Term Memory(LSTM)モデルと,MMD(Maximum Mean Discrepancy)によるドメイン適応と, Conformal Prediction(CP)による不確実性定量化を組み合わせた不確実性対応トランスファー学習フレームワークを提案する。 この枠組みは異種細胞間の状態予測の一般化と信頼性の両方を改善する。
• 参考スコア（独自算出の注目度）: 1.1449576001407262
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate forecasting of state-of-health (SOH) is essential for ensuring safe and reliable operation of lithium-ion cells. However, existing models calibrated on laboratory tests at specific conditions often fail to generalize to new cells that differ due to small manufacturing variations or operate under different conditions. To address this challenge, an uncertainty-aware transfer learning framework is proposed, combining a Long Short-Term Memory (LSTM) model with domain adaptation via Maximum Mean Discrepancy (MMD) and uncertainty quantification through Conformal Prediction (CP). The LSTM model is trained on a virtual battery dataset designed to capture real-world variability in electrode manufacturing and operating conditions. MMD aligns latent feature distributions between simulated and target domains to mitigate domain shift, while CP provides calibrated, distribution-free prediction intervals. This framework improves both the generalization and trustworthiness of SOH forecasts across heterogeneous cells.
• Abstract（参考訳）: リチウムイオン電池の安全性と信頼性を確保するためには,SOHの正確な予測が不可欠である。 しかし、特定の条件下で実験室で校正された既存のモデルは、製造のばらつきが小さいことや、異なる条件下での操作によって異なる新しい細胞に一般化できない場合が多い。 この課題に対処するために,Long Short-Term Memory(LSTM)モデルとMaximum Mean Discrepancy(MMD)によるドメイン適応と,Conformal Prediction(CP)による不確実性定量化を組み合わせた不確実性対応トランスファー学習フレームワークを提案する。 LSTMモデルは、電極製造および運転条件における実世界の変動を捉えるために設計された仮想バッテリーデータセットに基づいて訓練される。 MMDは、シミュレートされたドメインとターゲットのドメイン間の潜在的な特徴分布を調整してドメインシフトを緩和し、CPはキャリブレーションされた非分布予測区間を提供する。 この枠組みは、不均一な細胞間でのSOH予測の一般化と信頼性の両方を改善する。

関連論文リスト

• SCALE:Scalable Conditional Atlas-Level Endpoint transport for virtual cell perturbation prediction [46.645872209565574]
  仮想セル摂動予測のための大規模基盤モデルを提案する。 まず、データスループットを大幅に改善するBioNeMoベースのトレーニングおよび推論フレームワークを構築します。 第二に、摂動予測を条件付き輸送として定式化し、それをセットアウェアフローアーキテクチャで実装する。 第3に,生物学的に有意な指標に基づく厳密なセルレベルプロトコルを用いて,Tahoe-100Mのモデルを評価する。
  論文  参考訳（メタデータ） (2026-03-18T05:51:08Z)
• Robust Machine Learning for Regulatory Sequence Modeling under Biological and Technical Distribution Shifts [0.3948325938742681]
  性能劣化、校正失敗、不確実性に基づく信頼性を定量化するためのロバストネスフレームワークを導入する。 シミュレーションでは、セル型特異的プログラム、摂動、GCバイアス、深さ変化、バッチ効果、ヘテロscedastic noiseによってモチーフ駆動の制御出力が生成される。 モデルは精度は保たれるが、高い誤差、激しいばらつきの誤校正、モチーフ効果の反転とノイズによるカバー崩壊が支配的な体制である。
  論文  参考訳（メタデータ） (2026-01-21T13:15:27Z)
• BLIPs: Bayesian Learned Interatomic Potentials [47.73617239750485]
  機械学習原子間ポテンシャル(MLIP)は、シミュレーションベースの化学の中心的なツールになりつつある。 MLIPは、アクティブな学習パイプラインをガイドする基本となる、構築による不確実性推定を提供していない。 BLIPはスケーラブルでアーキテクチャに依存しない、トレーニングや微調整のためのベイズ的フレームワークである。
  論文  参考訳（メタデータ） (2025-08-19T17:28:14Z)
• Augmented Physics-Based Li-ion Battery Model via Adaptive Ensemble Sparse Learning and Conformal Prediction [1.6874375111244329]
  本研究では,低次リチウムイオン電池モデルの精度を高める適応アンサンブルスパース同定(AESI)フレームワークを提案する。 このアプローチは、拡張単一粒子モデル(ESPM)と進化的アンサンブルスパース学習戦略を統合し、堅牢なハイブリッドモデルを構築する。 種々の動作条件による評価の結果,ハイブリッドモデル(ESPM + AESI)は電圧予測精度を向上し,平均2乗誤差を最大46%削減できることがわかった。
  論文  参考訳（メタデータ） (2025-07-01T01:00:07Z)
• Residual Connection-Enhanced ConvLSTM for Lithium Dendrite Growth Prediction [4.8792835969814945]
  リチウムデンドライトの成長は、充電可能な電池の性能と安全性に大きな影響を及ぼす。 本研究では,デンドライト成長パターンの予測モデルを提案し,精度と計算効率を向上した。
  論文  参考訳（メタデータ） (2025-06-21T16:27:59Z)
• Hybrid machine learning based scale bridging framework for permeability prediction of fibrous structures [0.0]
  本研究では,繊維状繊維構造の透水性を予測するための,ハイブリッド機械学習に基づくスケールブリジングフレームワークを提案する。 SSM(Single Scale Method)、SUM(Simple Upscaling Method)、SBM(Scale-Bridging Method)、FRM(Fully Resolved Model)の4つの手法が評価された。
  論文  参考訳（メタデータ） (2025-02-07T16:09:25Z)
• Atomic Calibration of LLMs in Long-Form Generations [46.01229352035088]
  大型言語モデル(LLM)は幻覚に悩まされることが多く、現実世界のアプリケーションにとって大きな課題となっている。 我々は,原子の反応を原子のクレームに分解することで,ファクトリティのキャリブレーションをきめ細かなレベルで評価する新しい手法である原子キャリブレーションを導入する。 実験の結果,原子キャリブレーションは長文生成に適しており,マクロキャリブレーションの結果も改善できることがわかった。
  論文  参考訳（メタデータ） (2024-10-17T06:09:26Z)
• Addressing Misspecification in Simulation-based Inference through Data-driven Calibration [43.811367860375825]
  本研究は, モデル不特定性を克服するフレームワークであるロPEを導入し, 実世界の小キャリブレーションによる地下構造パラメータの測定を行った。 4つの合成課題と2つの実世界の問題により、RoPEはベースラインを上回り、情報的およびキャリブレーションされた信頼区間を一貫して返却することを示した。
  論文  参考訳（メタデータ） (2024-05-14T16:04:39Z)
• Conformal Approach To Gaussian Process Surrogate Evaluation With Coverage Guarantees [47.22930583160043]
  適応型クロスコンフォーマル予測区間を構築する手法を提案する。 結果として生じる共形予測区間は、ベイズ的信頼性集合に類似した適応性のレベルを示す。 原子炉の蒸気発生器における閉鎖現象の高コスト・評価シミュレータのサロゲートモデリングの文脈において, 本手法の適用可能性を示す。
  論文  参考訳（メタデータ） (2024-01-15T14:45:18Z)

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。