論文の概要: Battery-Sim-Agent: Leveraging LLM-Agent for Inverse Battery Parameter Estimation

• arxiv url: http://arxiv.org/abs/2605.29560v1
• Date: Thu, 28 May 2026 08:12:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-30 02:45:56.053447
• Title: Battery-Sim-Agent: Leveraging LLM-Agent for Inverse Battery Parameter Estimation
• Title（参考訳）: バッテリサイズアジェント:逆バッテリパラメータ推定のためのLLMアジェント
• Authors: Jiawei Chen, Xiaofan Gui, Shikai Fang, Shengyu Tao, Shun Zheng, Weiqing Liu, Jiang Bian,
• Abstract要約: 推論タスクとして逆問題を再編成する新しいパラダイムを導入する。 本稿では,Large Language Model (LLM) エージェントを高忠実度バッテリシミュレータでクローズドループにデプロイする最初のフレームワークであるBattery-Sim-Agentを提案する。
• 参考スコア（独自算出の注目度）: 21.341571675294485
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Parameterizing high-fidelity "digital twins" of batteries is a critical yet challenging inverse problem that hinders the pace of battery innovation. Prevailing methods formulate this as a black-box optimization (BBO) task, employing algorithms that are sample-inefficient and blind to the underlying physics. In this work, we introduce a new paradigm that reframes the inverse problem as a reasoning task, and present Battery-Sim-Agent, the first framework to deploy a Large Language Model (LLM) agent in a closed loop with a high-fidelity battery simulator. The agent mimics a human scientist's workflow: it interprets rich, multi-modal feedback from the simulator, forms physically-grounded hypotheses to explain discrepancies, and proposes structured parameter updates. On a systematically constructed benchmark suite spanning diverse battery chemistries, operating conditions, and difficulty levels, our agent significantly outperforms strong BBO baselines like Bayesian optimization in identifying accurate parameters. We further demonstrate the framework's capability in complex long-horizon degradation fitting tasks and validate its practical applicability on real-world battery datasets. Our results highlight the promise of LLM-agents as reasoning-based optimizers for scientific discovery and battery parameter estimation.
• Abstract（参考訳）: バッテリーの高忠実度「デジタルツイン」のパラメータ化は、バッテリーの革新のペースを妨げる重要な逆問題である。 一般的な方法は、これをブラックボックス最適化(BBO)タスクとして定式化し、サンプル非効率で基礎となる物理学に盲目なアルゴリズムを用いる。 本研究では,逆問題を推論タスクとして再編成する新たなパラダイムを導入し,大言語モデル (LLM) エージェントを高忠実度バッテリシミュレータで閉ループに展開する最初のフレームワークであるBattery-Sim-Agentを紹介する。 エージェントは人間の科学者のワークフローを模倣し、シミュレータからのリッチでマルチモーダルなフィードバックを解釈し、物理的に地上に仮説を形成し、矛盾を説明し、構造化されたパラメーター更新を提案する。 多様な電池化学、運転条件、難易度にまたがるベンチマークスイートを体系的に構築し、ベイズ最適化のような強力なBBOベースラインを著しく上回り、正確なパラメータを同定する。 さらに、複雑な長期劣化処理タスクにおけるフレームワークの能力を実証し、実世界のバッテリーデータセットへの適用性を検証する。 本研究は,科学的発見と電池パラメータ推定のための推論に基づく最適化手法として,LCMエージェントが期待できることを強調した。

関連論文リスト

• 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)
• ASBI: Leveraging Informative Real-World Data for Active Black-Box Simulator Tuning [4.246528354565986]
  ブラックボックスシミュレータはロボット工学で広く使われているが、そのパラメータを最適化することは、アクセス不能な可能性のために難しいままである。 本研究では,実世界のオンラインデータを積極的に収集するロボットを用いたパラメータ推定フレームワークである能動シミュレーションベース推論(ASBI)を提案する。
  論文  参考訳（メタデータ） (2025-10-17T05:38:33Z)
• SeqBattNet: A Discrete-State Physics-Informed Neural Network with Aging Adaptation for Battery Modeling [0.0]
  本稿では,電池モデルに老化適応を組み込んだ離散状態PINNであるSeqBattNetを提案する。 モデルは3つの基本的なバッテリパラメータしか必要とせず、単一のセルからのデータに基づいてトレーニングすることで、堅牢なパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2025-09-22T11:33:17Z)
• Taming Polysemanticity in LLMs: Provable Feature Recovery via Sparse Autoencoders [50.52694757593443]
  既存のSAEトレーニングアルゴリズムは厳密な数学的保証を欠いていることが多く、実用的な制限に悩まされている。 まず,特徴の特定可能性という新たな概念を含む特徴回復問題の統計的枠組みを提案する。 本稿では、ニューラルネットワークのバイアスパラメータを適応的に調整し、適切なアクティベーション間隔を確保する手法である「バイアス適応」に基づく新たなSAEトレーニングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-06-16T20:58:05Z)
• Physics-based Reduced Order Modeling for Uncertainty Quantification of Guided Wave Propagation using Bayesian Optimization [0.0]
  ガイド波伝搬(GWP)は、構造健康モニタリング(SHM)における構造物の検査に一般的に用いられる。 不確実量化(UQ)は、予測の信頼性を向上させるために定期的に適用される。 本稿では,機械学習(ML)に基づくリダクションオーダーモデル(ROM)を提案し,GWPのシミュレーションに関する計算時間を短縮する。
  論文  参考訳（メタデータ） (2023-07-18T22:03:43Z)
• End-to-End Meta-Bayesian Optimisation with Transformer Neural Processes [52.818579746354665]
  本稿では,ニューラルネットワークを一般化し,トランスフォーマーアーキテクチャを用いて獲得関数を学習する,エンド・ツー・エンドの差別化可能な最初のメタBOフレームワークを提案する。 我々は、この強化学習(RL)によるエンドツーエンドのフレームワークを、ラベル付き取得データの欠如に対処できるようにします。
  論文  参考訳（メタデータ） (2023-05-25T10:58:46Z)
• Dynaformer: A Deep Learning Model for Ageing-aware Battery Discharge Prediction [2.670887944566458]
  本稿では,少数の電圧/電流サンプルから同時に老化状態を推定できるトランスフォーマーに基づく新しいディープラーニングアーキテクチャを提案する。 実験の結果, 学習モデルは様々な複雑さの入力電流分布に有効であり, 広範囲の劣化レベルに対して堅牢であることがわかった。
  論文  参考訳（メタデータ） (2022-06-01T15:31:06Z)
• Multi-Agent Meta-Reinforcement Learning for Self-Powered and Sustainable Edge Computing Systems [87.4519172058185]
  エッジコンピューティング機能を有するセルフパワー無線ネットワークの効率的なエネルギー分配機構について検討した。 定式化問題を解くために,新しいマルチエージェントメタ強化学習(MAMRL)フレームワークを提案する。 実験の結果、提案されたMAMRLモデルは、再生不可能なエネルギー使用量を最大11%削減し、エネルギーコストを22.4%削減できることが示された。
  論文  参考訳（メタデータ） (2020-02-20T04:58:07Z)

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。