論文の概要: Physics-informed distribution of relaxation times estimation and latent-space condition monitoring of solid oxide fuel and electrolysis cells from electrochemical impedance spectroscopy

• arxiv url: http://arxiv.org/abs/2608.13305v1
• Date: Thu, 13 Aug 2026 14:33:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-14 18:29:38.558858
• Title: Physics-informed distribution of relaxation times estimation and latent-space condition monitoring of solid oxide fuel and electrolysis cells from electrochemical impedance spectroscopy
• Title（参考訳）: 電気化学インピーダンス分光法による固体酸化物燃料および電解セルの緩和時間推定と潜時状態モニタリングの物理インフォーム分布
• Abstract要約: 電気化学インピーダンス分光法(EIS)から緩和時間(DRT)の分布を推定することは、正規化選択に敏感な逆問題である。 本研究では、スペクトル特異的なチューニングを伴わないEISデータから直接DRTを推定する物理インフォームド畳み込みオートエンコーダを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Estimating the distribution of relaxation times (DRT) fromelectrochemical impedance spectroscopy (EIS) is an ill-posed inverse problem that is highly sensitive to regularisation choices. We propose a physics-informed convolutional autoencoder that estimates DRT directly from EIS data without spectrum-specific tuning. A discretised relation between impedance and the DRT is embedded in the training process, constraining the network to produce impedance-consistent distributions. The model resolves overlapping relaxation processes in synthetic two-ZARC spectra and accurately reconstructs measurements from three independent solid oxide fuel and electrolysis cell datasets, with range-normalised errors below 1.1%. Decoder-probe analysis shows that the learned latent representation is organised according to relaxation timescale. Distances in this latent space capture operating changes, hydrogen-shortage events, and long-term degradation. The same lightweight architecture is applied across all datasets without modification, providing consistent DRT estimation and an interpretable basis for condition monitoring.
• Abstract（参考訳）: 電気化学インピーダンス分光法(EIS)から緩和時間(DRT)の分布を推定することは、正規化選択に非常に敏感な不測の逆問題である。 本研究では、スペクトル特異的なチューニングを伴わないEISデータから直接DRTを推定する物理インフォームド畳み込みオートエンコーダを提案する。 トレーニングプロセスには、インピーダンスとDRTの区別された関係が組み込まれ、インピーダンスに一貫性のある分布を生成するためにネットワークを制約する。 このモデルは合成2-ZARCスペクトルの重なり合う緩和過程を解決し、3つの独立した固体酸化物燃料と電解セルデータセットから測定値を正確に再構成する。 Decoder-probe解析は、学習した潜伏表現が緩和時間尺度に従って組織化されていることを示している。 この潜伏空間における距離は、動作変化、水素短絡現象、長期劣化を捉えている。 同じ軽量アーキテクチャは変更せずにすべてのデータセットに適用され、一貫したDRT推定と条件監視の解釈可能なベースを提供する。

関連論文リスト

• Physics-Informed Neural Networks to Infer the Perpendicular Energy Conductivity in the Scrape-Off Layer of Stellarator Devices [0.0]
  本研究では, 垂直熱伝導率のプラズマ密度と温度依存性を推定するために, 逆物理情報ニューラルネットワークフレームワークを開発した。 所定の導電関数から生成された合成データを用いて、この枠組みを検証する。 トレーニングに使用するプラズマプロファイル数とプロファイル毎の放射計測位置数のスキャンにより、再構成精度とデータ可用性のトレードオフを実際に確認する。
  論文  参考訳（メタデータ） (2026-09-10T14:40:32Z)
• PhysECD: A Physics-Constrained E(3)-Equivariant Framework for Electronic Circular Dichroism Spectrum Prediction [14.109795392447026]
  物理に制約のあるパリティを意識したE(3)-等価なフレームワークであるPhysECDを提案する。 個々のコンバータの3次元構造から直接、ECDスペクトルを予測する。 CMCDSデータセット上では、PhysECDは分子ごとのスペクトルピアソン相関が 0.642 (平均) / 0.822 (中間) に達する。
  論文  参考訳（メタデータ） (2026-08-22T10:07:53Z)
• The Stability of Singular Distribution: A Spectral Perspective on the Two-Phase Dynamics of Language Model Pre-training [48.37150760049573]
  そこで我々は, スペクトル分布の安定性 (SoSD) を推定し, そこではトレース正規化特異値スペクトルが早期に安定化する。 我々は,SoSDと緩やかな周期の同期が多種多様なアーキテクチャで広く観測されていることを実証した。 我々は、WSDやMuonのような戦略をさらに解釈し、SOSDスケールを変調し、効率的な事前学習ダイナミクスを理解するためのスペクトルレンズを提供する。
  論文  参考訳（メタデータ） (2026-05-26T03:03:24Z)
• Causal Anomaly Detection for Lithium-Ion Battery Degradation [0.0]
  scCausalHealthは因果グラフ発見と$k$-nearest-neighbour転送エントロピーをサイクルごとの電圧、電流、温度、抵抗時系列に適用するフレームワークである。 LFP (MIT-Stanford MATR) と LCO (NASA PCoE, CALCE CS2) のケミストリーにまたがる7つの試験細胞を100%検出する。
  論文  参考訳（メタデータ） (2026-05-17T08:53:16Z)
• From Static Spectra to Operando Infrared Dynamics: Physics Informed Flow Modeling and a Benchmark [67.29937933325849]
  Operando IR Predictionは、1つの静的スペクトルからスペクトル指紋の時間分解進化を予測することを目的としている。 OpIRSpec-7Kは、10の異なるバッテリーシステムにわたる7,118の高品質なサンプルで構成されている。 ABCCは最先端の静的、シーケンシャル、および生成的ベースラインを著しく上回る。
  論文  参考訳（メタデータ） (2026-02-20T18:58:43Z)
• Parallel Complex Diffusion for Scalable Time Series Generation [50.01609741902786]
  PaCoDiは周波数領域における生成モデリングを分離するスペクトルネイティブアーキテクチャである。 本研究では,PaCoDiが生成品質と推論速度の両方において,既存のベースラインを上回っていることを示す。
  論文  参考訳（メタデータ） (2026-02-10T14:31:53Z)
• Unraveling real-time chemical shifts in the ultrafast regime [1.3705107214143395]
  従来のX線光電子分光法(XPS)は光電子結合エネルギーと局所化学環境との直接マッピングに依存している。 狭帯域フェムト秒X線プローブを用いた多原子分子フルオロメタン(CH$_3$F)の超高速解離過程の解明を目的とする。 これらのチャネルが結合エネルギーに近接しているにもかかわらず, XPS は C-F と C-H の結合の切断をリアルタイムで行うことができることを示す。
  論文  参考訳（メタデータ） (2025-12-15T08:29:53Z)
• PIS: A Generalized Physical Inversion Solver for Arbitrary Sparse Observations via Set-Conditioned Diffusion [1.7257650649008898]
  真に任意の観測集合からの逆変換が可能な集合条件拡散フレームワークを提案する。 PISはSet Transformerベースのエンコーダを使用して、任意の数や幾何学の測定や、例外的な堅牢性のためのコサインアニーリングされたスペーサ性カリキュラムを扱う。 PISはDarcy flow, wavefield inversion (Helmholtz), structure health monitoring (Hooke's Law)の3つの困難PDE逆問題に対して評価される。
  論文  参考訳（メタデータ） (2025-12-14T06:28:55Z)
• VEDA: 3D Molecular Generation via Variance-Exploding Diffusion with Annealing [4.288647933894182]
  VEDAは分散拡散とアニーリングを組み合わせて3D構造を生成するフレームワークである。 QM9とGEOM-DRUGSデータセットでは、VEDAはフローベースモデルのサンプリング効率と一致する。 VEDAの生成した構造は、緩和エネルギーによって測定されるように、驚くほど安定である。
  論文  参考訳（メタデータ） (2025-11-11T05:45:37Z)
• PHASE-Net: Physics-Grounded Harmonic Attention System for Efficient Remote Photoplethysmography Measurement [63.007237197267834]
  既存のディープラーニング手法は、主に生理学的モニタリングであり、理論的な堅牢性を欠いている。 本研究では,Navier-Stokes方程式のヘモダイナミックスから導かれる物理インフォームド r パラダイムを提案し,パルス信号が2次系に従うことを示す。 これは、時間的円錐ネットワーク(TCN)を使用する理論的正当性を提供する。 Phase-Netは高い効率で最先端のパフォーマンスを実現し、理論上は基礎的でデプロイ可能な r ソリューションを提供する。
  論文  参考訳（メタデータ） (2025-09-29T14:36:45Z)
• Physics Informed Neural Networks for design optimisation of diamond particle detectors for charged particle fast-tracking at high luminosity hadron colliders [70.66815108184498]
  将来の高輝度ハドロン衝突装置は、極端放射線耐性、空間精度、ナノ秒以下のタイミングで追跡検出器を必要とする。 3Dダイヤモンドのピクセルセンサーは、ダイヤモンドの放射硬度とキャリアの移動性のために、これらの機能を提供する。 我々は、マクスウェル方程式の準定常近似として導かれた3次、3+1D PDEを用いて、この現象をモデル化する。
  論文  参考訳（メタデータ） (2025-09-25T13:09:28Z)
• Robust Self-Supervised LiDAR Odometry via Representative Structure Discovery and 3D Inherent Error Modeling [67.75095378830694]
  そこで我々は,2段階のオドメトリ推定ネットワークを構築し,一連の部分領域変換を推定してエゴモーメントを求める。 本稿では,トレーニング,推論,マッピングフェーズにおける信頼できない構造の影響を軽減することを目的とする。 我々の2フレームのオードメトリーは、翻訳/回転誤差の点で、過去の芸術の状態を16%/12%上回っている。
  論文  参考訳（メタデータ） (2022-02-27T12:52:27Z)

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。