論文の概要: Accelerating battery research with an AI interface between FINALES and Kadi4Mat
- arxiv url: http://arxiv.org/abs/2605.00909v1
- Date: Wed, 29 Apr 2026 09:24:24 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-05 20:33:49.474102
- Title: Accelerating battery research with an AI interface between FINALES and Kadi4Mat
- Title（参考訳）: FINALESとKadi4MatのAIインターフェースによるバッテリー研究の高速化
- Authors: Giovanna Tosato, Leon Merker, Monika Vogler, Michael Selzer, Arnd Koeppe,
- Abstract要約: 本稿では,FINALESとKadi RDMの相互運用を実現するためのフレームワークを提案する。
このセットアップでは、FINALESフレームワークがPOLiS MAP上での実験計画と実行をオーケストレーションし、Kadi4Mat内に実装されたアクティブラーニングエージェントが実験選択をガイドする。
この相互運用性の強化は、自動化されたシステム間で協調的で分散したコラボレーションを可能にし、複数の研究センターを人力でブリッジすることを可能にする。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: The time-consuming formation process critically impacts the longevity of sodium-ion coin cells and End Of Life (EOL) performance. This study aims to optimize formation protocols for duration efficiency, targeting high-performance outcomes while minimizing the number of experiments to reduce resource consumption and accelerate discovery. Specifically, we consider two potentially competing objectives: minimizing formation time and maximizing EOL performance. Beyond this application focus, we also present a methodological contribution: a framework designed to enable interoperability between the FINALES and Kadi RDM ecosystems, which we employ to tackle our optimization problem. In this setup, the FINALES framework orchestrates experiment planning and execution on the POLiS MAP, while an active-learning agent implemented within Kadi4Mat guides experiment selection, using multi-objective batched Bayesian optimization to efficiently explore the parameter space. This interoperability enhancement enables coordinated, distributed collaboration across automated systems and human-operated workflows, bridging multiple research centers. Using this approach, we iteratively explore the trade-off between formation time and EOL performance and identify candidate solutions approximating the Pareto front. The resulting workflow demonstrates the capability of interoperable infrastructures to facilitate data-driven optimization in battery research, and establishes a transferable framework applicable to diverse materials science and engineering optimization tasks.
- Abstract（参考訳）: 時間を要する生成過程は、ナトリウムイオンのコインセルの長寿命性と寿命(EOL)のパフォーマンスに重大な影響を及ぼす。
本研究の目的は, 資源消費の削減と発見の高速化を目的として, 実験回数を最小化しつつ, 高性能な成果を目標として, 長期化のための生成プロトコルを最適化することである。
具体的には、生成時間の最小化とEOL性能の最大化という、競合する可能性のある2つの目標について考察する。
このアプリケーション以外にも,FINALES と Kadi RDM エコシステム間の相互運用性を実現するためのフレームワークとして,最適化問題に取り組むための方法論的コントリビューションも提案する。
この設定では、FINALESフレームワークはPOLiS MAP上での実験計画と実行をオーケストレーションし、Kadi4Mat内に実装されたアクティブラーニングエージェントは、多目的バッチベイズ最適化を用いて実験選択をガイドし、パラメータ空間を効率的に探索する。
この相互運用性の強化は、自動化されたシステムと人間が操作するワークフローをまたいだ協調的で分散的なコラボレーションを可能にし、複数の研究センターをブリッジする。
このアプローチを用いて, 生成時間とEOL性能のトレードオフを反復的に検討し, パレートフロントを近似した候補解を同定する。
このワークフローは、バッテリ研究におけるデータ駆動最適化を促進するための相互運用可能なインフラストラクチャの能力を示し、さまざまな材料科学およびエンジニアリング最適化タスクに適用可能な転送可能なフレームワークを確立する。
関連論文リスト
- Scalable AI-assisted Workflow Management for Detector Design Optimization Using Distributed Computing [0.7287445515583322]
本稿では,多目的ベイズ最適化を統合した検出器設計最適化のためのAI支援フレームワークを提案する。
我々は、Electron-Ion Collider(EIC)のためのベンチマーク問題とePICおよびdRICH検出器の現実的研究を用いたフレームワークを実証する。
その結果、多目的最適化における自動化、スケーラビリティ、効率性が向上した。
論文 参考訳（メタデータ） (2026-03-31T17:11:16Z) - Towards Agentic Intelligence for Materials Science [73.4576385477731]
この調査は、コーパスキュレーションからプレトレーニングから、シミュレーションと実験プラットフォームに面した目標条件付きエージェントまで、ユニークなパイプライン中心の視点を推し進める。
コミュニティをブリッジし、参照の共有フレームを確立するために、まず、AIと材料科学をまたいだ用語、評価、ワークフローの段階を整列する統合レンズを提示する。
論文 参考訳（メタデータ） (2026-01-29T23:48:43Z) - SelfAI: Building a Self-Training AI System with LLM Agents [79.10991818561907]
SelfAIは、高レベルの研究目的を標準化された実験構成に変換するためのUser Agentを組み合わせた、一般的なマルチエージェントプラットフォームである。
実験マネージャは、連続的なフィードバックのための構造化知識ベースを維持しながら、異種ハードウェアをまたいだ並列かつフォールトトレラントなトレーニングを編成する。
回帰、コンピュータビジョン、科学計算、医用画像、薬物発見ベンチマークなどを通じて、SelfAIは一貫して高いパフォーマンスを達成し、冗長な試行を減らしている。
論文 参考訳（メタデータ） (2025-11-29T09:18:39Z) - Process Optimization and Deployment for Sensor-Based Human Activity Recognition Based on Deep Learning [9.445469731895505]
本稿では,マルチアテンションインタラクションを中心とした包括的な最適化プロセスを提案する。
我々は、アブレーション研究、関連する作業の比較、組み込みデプロイメントを含む3つの公開データセットで広範なテストを行います。
論文 参考訳（メタデータ） (2025-03-22T16:48:16Z) - Navigating Intelligence: A Survey of Google OR-Tools and Machine Learning for Global Path Planning in Autonomous Vehicles [49.1574468325115]
ROMIEと呼ばれる自律的な採鉱ロボットには,グローバルパスプランニングが不可欠である。
Q-Learningは最適な戦略であり、データセット全体の最適解から平均1.2%しか逸脱せず、優れた効率を示す。
論文 参考訳（メタデータ） (2025-03-05T10:12:22Z) - Trial and Error: Exploration-Based Trajectory Optimization for LLM Agents [49.85633804913796]
本稿では,ETOと呼ばれる探索に基づく軌道最適化手法を提案する。
この学習方法はオープンLLMエージェントの性能を向上させるために設計されている。
3つの複雑なタスクに関する実験は、ETOがベースライン性能をはるかに上回っていることを示す。
論文 参考訳（メタデータ） (2024-03-04T21:50:29Z) - Introducing Interactions in Multi-Objective Optimization of Software Architectures [3.483484684588142]
本研究では,設計者のインタラクションがソフトウェアアーキテクチャの最適化に与える影響について検討する。
関心のある領域に探索を向けることで、完全に自動化されたプロセスで探索されていないアーキテクチャを明らかにする。
論文 参考訳（メタデータ） (2023-08-29T07:49:46Z) - Energy-Efficient Multi-Orchestrator Mobile Edge Learning [54.28419430315478]
Mobile Edge Learning(MEL)は、エッジデバイス上で機械学習(ML)モデルの分散トレーニングを特徴とする、協調学習パラダイムである。
MELでは、異なるデータセットで複数の学習タスクが共存する可能性がある。
本稿では, エネルギー消費, 精度, 解複雑性のトレードオフを容易にする軽量なアルゴリズムを提案する。
論文 参考訳（メタデータ） (2021-09-02T07:37:10Z)
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。