論文の概要: Comparative Study of Neural Surrogate Architectures for Autoregressive Prediction of Internal Battery States

• arxiv url: http://arxiv.org/abs/2606.20053v1
• Date: Thu, 18 Jun 2026 10:27:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-19 18:23:39.79541
• Title: Comparative Study of Neural Surrogate Architectures for Autoregressive Prediction of Internal Battery States
• Title（参考訳）: 内部電池状態の自動回帰予測のためのニューラルネットワークサロゲートアーキテクチャの比較検討
• Authors: Gihyun Lee, Thorben Menne, Simon Olma, Jakob Hilgert, Sangyoung Park,
• Abstract要約: ドイル・フラー・ニューマンモデル(DFN)はリチウムイオン電池の内部電気化学状態を高忠実度で解決する。 その支配方程式の数値解は、リアルタイムな展開には計算的に禁じられている。 この研究は、4つのニューラルネットワークアーキテクチャ(MLP、ResNet、U-Net、FNO)を体系的に比較する。 その結果、U-Netのマルチスケール機能階層は、300ステップの自己回帰ロールアウトの後、すべての内部状態変数の平均3%の平均的な最終段階のnRMSEを達成することが示された。
• 参考スコア（独自算出の注目度）: 1.37013665345905
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The Doyle-Fuller-Newman (DFN) model resolves internal electrochemical states in lithium-ion batteries with high fidelity. However, the numerical solution of its governing equations is computationally prohibitive for real-time deployment, limiting scalability from individual cells to pack and fleet-scale applications. While machine learning surrogates can substantially reduce inference latency through GPU acceleration, most existing approaches learn solution approximations tied to specific operating conditions rather than learning generalizable state-evolution dynamics. This work presents a systematic comparison of four neural network architectures (MLP, ResNet, U-Net, FNO) formulated as autoregressive state-transition operators that predict full DFN internal states across a wide range of operating conditions. To ensure a controlled architectural comparison, all models are trained under a unified framework using multi-step unrolling and current-conditioning, isolating the impact of spatial inductive bias. Results demonstrate that the U-Net's multi-scale feature hierarchy achieves a mean final-step nRMSE of 3% averaged across all internal state variables after 300-step autoregressive rollouts, while providing a 5.38x speed-up over the numerical solver. These findings highlight spatial inductive bias as a critical determinant of surrogate performance, advancing the development of surrogates for internal state observability for next-generation battery management systems and digital twins.
• Abstract（参考訳）: ドイル・フラー・ニューマンモデル(DFN)はリチウムイオン電池の内部電気化学状態を高忠実度で解決する。 しかし、その支配方程式の数値解はリアルタイム展開では計算が禁止され、個々のセルからパックやフリートスケールのアプリケーションへのスケーラビリティが制限される。 機械学習のサロゲートはGPUアクセラレーションによる推論レイテンシを大幅に削減するが、既存のほとんどのアプローチは、一般化可能な状態進化ダイナミクスを学ぶのではなく、特定の動作条件に結びついたソリューション近似を学ぶ。 この研究は、幅広い動作条件で完全なDFN内部状態を予測する自己回帰状態遷移演算子として定式化された4つのニューラルネットワークアーキテクチャ(MLP、ResNet、U-Net、FNO)の体系的比較を示す。 制御されたアーキテクチャ比較を保証するため、全てのモデルは、空間帰納バイアスの影響を分離する多段階アンロールと電流条件を用いて、統一されたフレームワークの下で訓練される。 その結果、U-Netのマルチスケール特徴階層は、300ステップの自己回帰ロールアウトの後、内部状態変数の3%の平均的な最終段階のnRMSEを達成し、数値解器の5.38倍のスピードアップを提供することを示した。 これらの知見は,空間誘導バイアスがサロゲート性能の重要な決定要因であり,次世代のバッテリ管理システムとディジタル双生児のためのサロゲートの開発を推進していることを示している。

関連論文リスト

• EmboCoach-Bench: Benchmarking AI Agents on Developing Embodied Robots [68.29056647487519]
  Embodied AIは、高忠実度シミュレーションと大規模データ収集によって実現されている。 しかし、このスケーリング能力は、労働集約的な手作業の監視に依存しているため、いまだにボトルネックになっている。 実装ポリシーを自律的に構築するための LLM エージェントの能力を評価するベンチマークである textscEmboCoach-Bench を紹介する。
  論文  参考訳（メタデータ） (2026-01-29T11:33:49Z)
• Retrofitting Earth System Models with Cadence-Limited Neural Operator Updates [3.9578288463123]
  本稿では,瞬時モデル状態をバイアス補正傾向にマッピングする演算子学習フレームワークを提案する。 ERA5の再解析に向け、2年間のE3SMシミュレーションを訓練し、オペレーターは高度と季節にまたがって一般化する。 本フレームワークは, 長期的安定性, ポータビリティ, ケイデンス限定更新を重視し, 表現力のあるML演算子の有用性を実証する。
  論文  参考訳（メタデータ） (2025-12-02T23:44:49Z)
• Langevin Flows for Modeling Neural Latent Dynamics [81.81271685018284]
  逐次変分自動エンコーダであるLangevinFlowを導入し、潜伏変数の時間的進化をアンダーダム化したLangevin方程式で制御する。 われわれのアプローチは、慣性、減衰、学習されたポテンシャル関数、力などの物理的事前を組み込んで、ニューラルネットワークにおける自律的および非自律的プロセスの両方を表現する。 本手法は,ロレンツ誘引器によって生成される合成神経集団に対する最先端のベースラインより優れる。
  論文  参考訳（メタデータ） (2025-07-15T17:57:48Z)
• Time Marching Neural Operator FE Coupling: AI Accelerated Physics Modeling [3.0635300721402228]
  本研究は、物理インフォームド・ディープ・オペレーター・ネットワークをドメイン分解によりFEMと統合する新しいハイブリッド・フレームワークを導入する。 動的システムの課題に対処するため、DeepONetに直接タイムステッピングスキームを組み込み、長期エラーの伝搬を大幅に低減する。 提案手法は, 従来手法に比べて収束率を最大20%向上させるとともに, 誤差マージンが3%未満の解の忠実度を保ちながら, 収束率の高速化を図っている。
  論文  参考訳（メタデータ） (2025-04-15T16:54:04Z)
• Implicit Neural Differential Model for Spatiotemporal Dynamics [5.1854032131971195]
  In-PiNDiffは、安定時間力学のための新しい暗黙の物理積分型ニューラル微分可能解法である。 深い平衡モデルにインスパイアされたIm-PiNDiffは、暗黙の固定点層を用いて状態を前進させ、堅牢な長期シミュレーションを可能にする。 Im-PiNDiffは優れた予測性能、数値安定性の向上、メモリとコストの大幅な削減を実現している。
  論文  参考訳（メタデータ） (2025-04-03T04:07:18Z)
• Efficient Transformed Gaussian Process State-Space Models for Non-Stationary High-Dimensional Dynamical Systems [49.819436680336786]
  本研究では,高次元非定常力学系のスケーラブルかつ柔軟なモデリングのための効率的な変換ガウス過程状態空間モデル(ETGPSSM)を提案する。 具体的には、ETGPSSMは、単一の共有GPと入力依存の正規化フローを統合し、複雑な非定常遷移ダイナミクスを捉える前に、表現的な暗黙のプロセスを生成する。 ETGPSSMは、計算効率と精度の観点から、既存のGPSSMとニューラルネットワークベースのSSMより優れています。
  論文  参考訳（メタデータ） (2025-03-24T03:19:45Z)
• NeuralStagger: Accelerating Physics-constrained Neural PDE Solver with Spatial-temporal Decomposition [67.46012350241969]
  本稿では,NeuralStaggerと呼ばれる一般化手法を提案する。 元の学習タスクをいくつかの粗い解像度のサブタスクに分解する。 本稿では,2次元および3次元流体力学シミュレーションにおけるNeuralStaggerの適用例を示す。
  論文  参考訳（メタデータ） (2023-02-20T19:36:52Z)
• 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)

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。