論文の概要: Neural posterior estimation for scalable and accurate inverse parameter inference in Li-ion batteries

• arxiv url: http://arxiv.org/abs/2604.02520v1
• Date: Thu, 02 Apr 2026 21:21:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-06 17:20:24.205229
• Title: Neural posterior estimation for scalable and accurate inverse parameter inference in Li-ion batteries
• Title（参考訳）: Liイオン電池におけるスケーラブルかつ高精度な逆パラメータ推定のための神経後部推定
• Authors: Malik Hassanaly, Corey R. Randall, Peter J. Weddle, Paul J. Gasper, Conlain Kelly, Tanvir R. Tanim, Kandler Smith,
• Abstract要約: リチウムイオン電池の内部状態の診断は、バッテリー研究、実世界のシステムの運用、寿命の予後評価に不可欠である。 完全に償却された代替手段は神経後部推定(NPE)である NPEは、計算負荷をパラメータ推定ステップからデータ生成とモデルトレーニングにシフトし、パラメータ推定時間を数分からミリ秒に短縮する。
• 参考スコア（独自算出の注目度）: 1.360336988941878
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Diagnosing the internal state of Li-ion batteries is critical for battery research, operation of real-world systems, and prognostic evaluation of remaining lifetime. By using physics-based models to perform probabilistic parameter estimation via Bayesian calibration, diagnostics can account for the uncertainty due to model fitness, data noise, and the observability of any given parameter. However, Bayesian calibration in Li-ion batteries using electrochemical data is computationally intensive even when using a fast surrogate in place of physics-based models, requiring many thousands of model evaluations. A fully amortized alternative is neural posterior estimation (NPE). NPE shifts the computational burden from the parameter estimation step to data generation and model training, reducing the parameter estimation time from minutes to milliseconds, enabling real-time applications. The present work shows that NPE calibrates parameters equally or more accurately than Bayesian calibration, and we demonstrate that the higher computational costs for data generation are tractable even in high-dimensional cases (ranging from 6 to 27 estimated parameters), but the NPE method can lead to higher voltage prediction errors. The NPE method also offers several interpretability advantages over Bayesian calibration, such as local parameter sensitivity to specific regions of the voltage curve. The NPE method is demonstrated using an experimental fast charge dataset, with parameter estimates validated against measurements of loss of lithium inventory and loss of active material. The implementation is made available in a companion repository (https://github.com/NatLabRockies/BatFIT).
• Abstract（参考訳）: リチウムイオン電池の内部状態の診断は、バッテリー研究、実世界のシステムの運用、寿命の予後評価に不可欠である。 物理モデルを用いてベイズ校正による確率的パラメータ推定を行うことにより、診断はモデル適合性、データノイズ、任意のパラメータの可観測性による不確実性を考慮することができる。 しかし、電気化学データを用いたLiイオン電池のベイジアン校正は、物理モデルの代わりに高速サロゲートを用いても計算的に重く、何千ものモデル評価を必要とする。 完全に償却された代替手段は神経後部推定(NPE)である。 NPEは、計算負荷をパラメータ推定ステップからデータ生成とモデルトレーニングにシフトし、パラメータ推定時間を数分からミリ秒に短縮し、リアルタイムアプリケーションを可能にする。 本研究は,NPEがベイジアンキャリブレーションと同等以上のパラメータを校正し,高次元の場合(推定パラメータ6～27の範囲)でもデータ生成の計算コストが高いことを実証するが,NPE法は高い電圧予測誤差をもたらす可能性がある。 NPE法はまた、電圧曲線の特定の領域に対する局所パラメータ感度など、ベイズ校正に対するいくつかの解釈可能性上の利点を提供する。 NPE法は, リチウム在庫の損失と活性物質の損失に対してパラメータ推定を行い, 実験的な高速電荷データセットを用いて実証した。 実装はコンパニオンリポジトリ(https://github.com/NatLabRockies/BatFIT)で利用可能である。

関連論文リスト

• PINEAPPLE: Physics-Informed Neuro-Evolution Algorithm for Prognostic Parameter Inference in Lithium-Ion Battery Electrodes [0.8376229126363229]
  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。
  論文  参考訳（メタデータ） (2026-02-20T07:51:59Z)
• 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)
• 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)
• Parameter Estimation in Quantum Metrology Technique for Time Series Prediction [0.0]
  本稿では,気象予測における量子計算の手法について検討する。 変動パラメータ推定による予測ポテンシャルの向上に焦点を当てる。 パラメータ分布と学習速度が予測精度に与える影響について検討した。
  論文  参考訳（メタデータ） (2024-06-12T05:55:45Z)
• Stochastic Marginal Likelihood Gradients using Neural Tangent Kernels [78.6096486885658]
  線形化されたラプラス近似に下界を導入する。 これらの境界は漸進的な最適化が可能であり、推定精度と計算複雑性とのトレードオフを可能にする。
  論文  参考訳（メタデータ） (2023-06-06T19:02:57Z)
• 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)
• Real-time gravitational-wave science with neural posterior estimation [64.67121167063696]
  ディープラーニングを用いた高速重力波パラメータ推定のための前例のない精度を示す。 LIGO-Virgo Gravitational-Wave Transient Catalogから8つの重力波事象を解析した。 標準推論符号と非常に密接な定量的な一致を見いだすが、推定時間がO(day)から1イベントあたり1分に短縮される。
  論文  参考訳（メタデータ） (2021-06-23T18:00:05Z)
• 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)
• 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)

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。