論文の概要: HorizON: A Multi-Horizon Deep Operator Network for Property Prediction of Organic Battery Stacks

• arxiv url: http://arxiv.org/abs/2610.36860v1
• Date: Tue, 27 Oct 2026 08:54:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-28 21:04:31.549686
• Title: HorizON: A Multi-Horizon Deep Operator Network for Property Prediction of Organic Battery Stacks
• Title（参考訳）: 有機電池スタックの特性予測のためのマルチ水平深部演算子ネットワークHorizonon
• Abstract要約: 有機電極材料(OEM)は、この依存を減らし、幅広い分子構造を提供する。 その設計には、電圧、特定の容量、容量保持、エネルギー密度といった結合したメトリクスを共同で最適化する必要がある。 このフレームワークは、有機電池システムの長期特性予測、逆設計、プロセス最適化をサポートする。
• 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: Transition-metal-based batteries rely on critical elements such as lithium, cobalt, and nickel. Their extraction creates environmental and supply-chain challenges. Organic electrode materials (OEMs) reduce this reliance and provide broad molecular tunability. However, OEM-based batteries still show limited long-term cycling stability. Their design also requires the joint optimization of coupled metrics such as voltage, specific capacity, capacity retention, and energy density. These metrics depend on the full battery stack and on the interactions among its components rather than on the active material alone. In our previous work, we developed a data-fusion multi-task framework for average discharge voltage and first-cycle specific capacity. Both targets are single-valued. Here, we extend that framework to multi-horizon prediction by predicting a property at every cycle of a discharge trajectory rather than at a single cycle. Our multi-fidelity and Multi-horizon Deep Operator Network learns DFT redox potentials and cycle-dependent specific-capacity trajectories within one model. We train it on complete battery-stack representations and usage conditions, so it learns battery-stack interactions rather than cathode-only effects. This framework supports long-term property prediction, inverse design, and process optimization for organic battery systems.
• Abstract（参考訳）: 遷移金属ベースの電池は、リチウム、コバルト、ニッケルといった重要な元素に依存している。 その抽出は環境とサプライチェーンの課題を生み出します。 有機電極材料(OEM)は、この依存を減らし、幅広い分子構造を提供する。 しかし、OEMベースのバッテリーは依然として長期サイクルの安定性が限られている。 その設計には、電圧、特定の容量、容量保持、エネルギー密度といった結合したメトリクスを共同で最適化する必要がある。 これらのメトリクスは、アクティブな材料のみではなく、フルバッテリスタックとコンポーネント間のインタラクションに依存します。 前報では, 平均放電電圧と第1サイクル特定容量のためのデータ融合マルチタスクフレームワークを開発した。 どちらの目標も単価である。 そこで我々は,この枠組みを単一サイクルではなく,放電軌道の各サイクルにおける特性を予測することによって,マルチ水平予測に拡張する。 我々はDFTの酸化還元電位とサイクル依存型特定容量トラジェクトリを1つのモデルで学習する。 私たちは、完全なバッテリスタック表現と使用条件に基づいてトレーニングするので、カソードのみの効果ではなく、バッテリスタックインタラクションを学習します。 このフレームワークは、有機電池システムの長期特性予測、逆設計、プロセス最適化をサポートする。

関連論文リスト

• AI-Driven Surrogate Models for Predicting Electrode-Scale Discharge Behavior in Lithium-Ion Batteries [47.27974914502511]
  本研究では,Swin3D Transformerに基づくディープラーニングサロゲートパイプラインを導入し,データから直接放電ダイナミクスを予測する。 提案手法は計算オーバーヘッドを桁違いに削減し,高スループットバッテリー設計と最適化のためのスケーラブルで効率的なフレームワークを提供する。
  論文  参考訳（メタデータ） (2026-07-22T09:10:48Z)
• Star Topology Optimizes the Charging Power of Quantum Batteries [39.27725073249277]
  量子電池(Quantum Battery)は、エネルギーを蓄え、需要に応じて供給する量子システムである。 集合的な充電プロトコルとグローバルな制御は充電能力を高めることが知られているが、電池の内部相互作用アーキテクチャ自体が性能をいかに制限するかは定かではない。 本稿では, 内部結合をグラフ隣接行列で符号化し, 外部フェルミオン素子との簡単な相互作用により充電するフェミオン電池の相互作用について検討する。
  論文  参考訳（メタデータ） (2026-03-11T15:03:54Z)
• Many-Body Structural Effects in Periodically Driven Quantum Batteries [0.2578242050187029]
  周期的なアイシング充電器によって駆動されるスピン1/2量子電池の帯電性能を多体構造が決定することを示す。 特に、相互作用範囲、境界条件、システムサイズ、可積分性は、蓄えられたエネルギーと充電力を高める重要な要素として現れる。 本研究は,多体系の構造的特徴と周期的駆動を併用して,効率的な集団充電のダイナミクスを実現する方法である。
  論文  参考訳（メタデータ） (2026-03-04T09:35:26Z)
• 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)
• Remaining useful life prediction of Lithium-ion batteries using spatio-temporal multimodal attention networks [4.249657064343807]
  リチウムイオン電池は、電気自動車や再生可能エネルギー貯蔵など様々な用途で広く使われている。 電池の残存寿命(RUL)の予測は信頼性と効率の確保に不可欠である。 本稿では, 時空間アテンションネットワーク(ST-MAN)を用いたリチウムイオン電池の2段階RUL予測手法を提案する。
  論文  参考訳（メタデータ） (2023-10-29T07:32:32Z)
• Prognosis of Multivariate Battery State of Performance and Health via Transformers [0.0]
  バッテリー性能と「使い勝手」を設計・使用の機能として理解することが最重要事項である。 健康記述子の28個のバッテリ状態を予測するために, ディープ・トランスフォーマー・ネットワーク経由で, その方向への第一歩を提示する。
  論文  参考訳（メタデータ） (2023-09-18T15:04:40Z)
• Universal Battery Performance and Degradation Model for Electric Aircraft [52.77024349608834]
  電動垂直離着陸機(eVTOL)の設計、解析、運用には、Liイオン電池の性能の迅速かつ正確な予測が必要である。 我々は,eVTOLのデューティサイクルに特有の電池性能と熱的挙動のデータセットを生成する。 このデータセットを用いて,物理インフォームド機械学習を用いた電池性能・劣化モデル(Cellfit)を開発した。
  論文  参考訳（メタデータ） (2020-07-06T16:10:54Z)
• Learning Composable Energy Surrogates for PDE Order Reduction [28.93892833892805]
  パラメトリックなモジュラー構造を用いてコンポーネントレベルのサロゲートを学習し、より安価な高忠実度シミュレーションを実現する。 ニューラルネットワークを用いて、所定の境界条件で格納されたポテンシャルエネルギーをモデル化する。 構成可能なエネルギーサロゲートは、コンポーネント境界の縮小に基づくシミュレーションを可能にする。
  論文  参考訳（メタデータ） (2020-05-13T19:41:24Z)

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。