論文の概要: Battery health prognosis using Physics-informed neural network with Quantum Feature mapping

• arxiv url: http://arxiv.org/abs/2604.10362v1
• Date: Sat, 11 Apr 2026 22:12:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-14 20:13:15.977854
• Title: Battery health prognosis using Physics-informed neural network with Quantum Feature mapping
• Title（参考訳）: 量子特徴マッピングを用いた物理インフォームニューラルネットワークを用いたバッテリヘルスの予後
• Authors: Muhammad Imran Hossain, Md Fazley Rafy, Sarika Khushlani Solanki, Anurag K. Srivastava,
• Abstract要約: 量子特徴マッピング(QFM)技術(QPINN)を用いた物理インフォームドニューラルネットワークを提案する。 QPINNは、生の電池センサーデータを高次元のヒルベルト空間に投射し、微妙で非線形な劣化パターンを効果的にキャプチャする非常に表現力の高い特徴セットを作成する。 提案手法は,各データセットの平均SOH推定精度99.46%を実現し,最先端のベースラインを著しく上回っている。
• 参考スコア（独自算出の注目度）: 0.6183104361749773
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate battery health prognosis using State of Health (SOH) estimation is essential for the reliability of multi-scale battery energy storage, yet existing methods are limited in generalizability across diverse battery chemistries and operating conditions. The inability of standard neural networks to capture the complex, high-dimensional physics of battery degradation is a major contributor to these limitations. To address this, a physics-informed neural network with the Quantum Feature Mapping(QFM) technique (QPINN) is proposed. QPINN projects raw battery sensor data into a high-dimensional Hilbert space, creating a highly expressive feature set that effectively captures subtle, non-linear degradation patterns using Nyström method. These quantum-enhanced features are then processed by a physics-informed network that enforces physical constraints. The proposed method achieves an average SOH estimation accuracy of 99.46\% across different datasets, substantially outperforming state-of-the-art baselines, with reductions in MAPE and RMSE of up to 65\% and 62\%, respectively. This method was validated on a large-scale, multi-chemistry dataset of 310,705 samples from 387 cells, and further showed notable adaptability in cross-validation settings, successfully transferring from one chemistry to another without relying on target-domain SOH labels.
• Abstract（参考訳）: State of Health (SOH) 推定を用いた正確なバッテリヘルスの予後は、マルチスケールバッテリエネルギー貯蔵の信頼性に不可欠である。 標準的なニューラルネットワークがバッテリー劣化の複雑な高次元物理を捉えることができないことは、これらの制限に大きく寄与している。 そこで,QPINN(Quantum Feature Mapping)技術を用いた物理インフォームドニューラルネットワークを提案する。 QPINNは、生の電池センサーデータを高次元ヒルベルト空間に投影し、Nyström法による微妙で非線形な劣化パターンを効果的に捉える、非常に表現力の高い特徴セットを作成する。 これらの量子化された特徴は、物理的制約を強制する物理情報ネットワークによって処理される。 提案手法は,各データセットの平均SOH推定精度を99.46 %とし,MAPEとRMSEを最大65 %,62 %に削減した。 この手法は, 387細胞から採取した310,705サンプルの大規模多化学データセット上で検証され, さらに, 標的ドメインのSOHラベルに依存することなく, ある化学から別の化学への変換に成功した。

関連論文リスト

• Robust Power System State Estimation using Physics-Informed Neural Networks [1.3258437587406258]
  本稿では,電力系統状態推定の精度とロバスト性を高めるために,物理インフォームドニューラルネットワーク(PINN)を用いたハイブリッドアプローチを提案する。 ニューラルネットワークアーキテクチャに物理法則を埋め込むことで、PINNは正常かつ欠陥のある条件下での伝送グリッドアプリケーションの推定精度を向上させる。
  論文  参考訳（メタデータ） (2025-07-08T10:58:13Z)
• Structure and asymptotic preserving deep neural surrogates for uncertainty quantification in multiscale kinetic equations [5.181697052513637]
  パラメータを持つ運動方程式の高次元性は不確実性定量化(UQ)の計算課題を提起する 伝統的なモンテカルロサンプリング法は、空間の次元が大きくなるにつれて、緩やかな収束と高い分散に悩まされる。 ニューラルネットワークの構造と保存に基づくサロゲートモデル(SAPNN)を導入する。 SAPNNは、肯定性、保存法則、エントロピー散逸、パラメータ制限など、重要な物理特性を満たすように設計されている。
  論文  参考訳（メタデータ） (2025-06-12T12:20:53Z)
• Hybrid Quantum Recurrent Neural Network For Remaining Useful Life Prediction [67.410870290301]
  本稿では、量子長短期記憶層と古典的な高密度層を組み合わせたハイブリッド量子リカレントニューラルネットワークフレームワークを提案する。 実験の結果、トレーニング可能なパラメータが少ないにもかかわらず、Hybrid Quantum Recurrent Neural Networkは、リカレントニューラルネットワークよりも最大5%改善できることがわかった。
  論文  参考訳（メタデータ） (2025-04-29T14:41:41Z)
• Simulating Nonlinearity in Quantum Neural Networks While Mitigating Barren Plateaus [0.0]
  量子ニューラルネットワーク(QNN)は、非線形挙動を実現し、パラメータを効果的に最適化する上で重要な課題に直面する。 本研究では、テイラー級数展開を通じて非線形性をモデル化し、テンソル積を用いて級数基底を生成することにより、これらの問題に対処する。 QNNをMNISTデータセットとFashion MNISTデータセットで実装し、提案手法の評価を行い、それぞれ98.7%と88.3%のテスト精度を達成した。
  論文  参考訳（メタデータ） (2025-04-18T06:04:17Z)
• Practical Application of the Quantum Carleman Lattice Boltzmann Method in Industrial CFD Simulations [44.99833362998488]
  この研究は、格子ボルツマン法(LBM)に基づくCFDへのハイブリッド量子古典的アプローチの実用的な数値評価を提示する。 本手法は, 異なる境界条件, 周期性, バウンスバック, 移動壁を有する3つのベンチマークケースで評価した。 提案手法の有効性を検証し,10～3ドル程度の誤差忠実度と,実際の量子状態サンプリングに十分な確率を達成できた。
  論文  参考訳（メタデータ） (2025-04-17T15:41:48Z)
• 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)
• A Quantum Neural Network-Based Approach to Power Quality Disturbances Detection and Recognition [15.789631792979366]
  電力品質障害(PQD)は電力システムの安定性と信頼性に大きな影響を及ぼす。 本稿では,PQDの検出と認識のための改良型量子ニューラルネットワーク(QNN)モデルを提案する。 このモデルは、障害の検出、7つの単一障害の認識、10の混合障害の認識を含む実験で99.75%、97.85%、95.5%の精度を達成する。
  論文  参考訳（メタデータ） (2024-06-05T09:10:11Z)
• Bosonic field digitization for quantum computers [62.997667081978825]
  我々は、離散化された場振幅ベースで格子ボゾン場の表現に対処する。 本稿では,エラースケーリングを予測し,効率的な量子ビット実装戦略を提案する。
  論文  参考訳（メタデータ） (2021-08-24T15:30:04Z)
• Quantum-tailored machine-learning characterization of a superconducting qubit [50.591267188664666]
  我々は,量子デバイスのダイナミクスを特徴付ける手法を開発し,デバイスパラメータを学習する。 このアプローチは、数値的に生成された実験データに基づいてトレーニングされた物理に依存しないリカレントニューラルネットワークより優れている。 このデモンストレーションは、ドメイン知識を活用することで、この特徴付けタスクの正確性と効率が向上することを示す。
  論文  参考訳（メタデータ） (2021-06-24T15:58:57Z)
• 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。