論文の概要: FlowBatt: Flow Matching for Probabilistic Battery Degradation Prediction

• arxiv url: http://arxiv.org/abs/2611.03150v1
• Date: Mon, 02 Nov 2026 13:58:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-06 13:01:14.474808
• Title: FlowBatt: Flow Matching for Probabilistic Battery Degradation Prediction
• Title（参考訳）: FlowBatt: 確率的電池劣化予測のためのフローマッチング
• Abstract要約: FlowBattは、拡散変換器とのフローマッチングをバッテリ劣化軌跡モデリングに適応させる条件付き生成フレームワークである。 FlowBattは、様々な化学薬品と老化条件にまたがる5つの公開ベンチマーク設定で評価する。
• 参考スコア（独自算出の注目度）: 1.7882065941311627
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Battery degradation remains a central challenge in the development and broad application of sustainable energy technologies. Accurate degradation prediction is challenging, as battery aging emerges from complex and heterogeneous interactions among cycling behavior, operating conditions, and cell chemistry. Existing machine-learning approaches typically focus on deterministic end-of-life predictions or modeling degradation curves within fixed chemistry settings, leaving probabilistic state of health (SOH) trajectory modeling across heterogeneous chemistries underexplored. We introduce FlowBatt, a use-inspired conditional generative framework that adapts flow matching with a diffusion transformer (DiT) backbone to battery degradation trajectory modeling. FlowBatt models full SOH trajectories as probabilistic degradation processes conditioned on early-cycle capacity data. To strengthen this conditioning pathway, we use explainable AI analysis to diagnose and improve the encoder that maps early-cycle capacity matrices into conditioning vectors. We evaluate FlowBatt on five public benchmark settings spanning diverse chemistries and aging conditions, comparing it with supervised and diffusion-based trajectory models as well as established baselines for remaining useful life (RUL) prediction under shared data splits. FlowBatt achieves the best trajectory-wise SOH prediction performance on all five datasets, with errors below 2.5%, and delivers competitive RUL prediction performance. By generating multiple plausible trajectories, FlowBatt provides empirical prediction intervals for battery degradation modeling. These results indicate that flow-matching-based trajectory modeling is a promising framework for probabilistic battery health prediction.
• Abstract（参考訳）: バッテリー劣化は、持続可能なエネルギー技術の開発と幅広い応用において、依然として中心的な課題である。 正確な劣化予測は、サイクリング行動、運転条件、細胞化学の間の複雑で不均一な相互作用からバッテリーの老化が生じるため困難である。 既存の機械学習のアプローチは、通常、固定化学設定における決定論的終末予測や劣化曲線のモデル化に焦点を合わせ、不均一な化学物質を対象とする確率論的状態(SOH)軌道モデリングを未探索のまま残している。 本稿では,拡散変圧器(DiT)バックボーンとのフローマッチングをバッテリ劣化軌跡モデリングに適用する,使用感のある条件生成フレームワークであるFlowBattを紹介する。 FlowBattは、早期サイクルのキャパシティデータに基づく確率的劣化過程として、完全なSOH軌道をモデル化する。 この条件付け経路を強化するために、我々は説明可能なAI分析を用いて、初期サイクルの容量行列を条件付けベクトルにマッピングするエンコーダを診断し改善する。 FlowBattは、様々な化学薬品と老化条件にまたがる5つの公開ベンチマークで評価され、教師付きおよび拡散に基づく軌道モデルと比較され、また、共有データ分割下で有用な寿命(RUL)予測のための確立されたベースラインが確立された。 FlowBattは5つのデータセットすべてで最高の軌道方向のSOH予測性能を達成し、エラーは2.5%以下で、競合するRUL予測性能を提供する。 複数の可塑性軌道を生成することで、FlowBattはバッテリー劣化モデリングのための経験的予測間隔を提供する。 これらの結果から,フローマッチングに基づく軌道モデリングは,確率的バッテリヘルス予測のフレームワークとして有望であることが示唆された。

関連論文リスト

• Generalizable single-cell perturbation response prediction using energy-guided flow matching [53.501471839336084]
  scEGFlowは、制御と摂動した細胞状態をブリッジするエネルギー誘導フローマッチングフレームワークである。 scEGFlowは条件付きフローマッチングを用いて制御セルから摂動状態への連続的な遷移をモデル化する。 次に、これらの予測を補正し、操縦するために条件特異的なエネルギー勾配を適用し、フローモデルを再訓練することなく柔軟な調整を可能にする。
  論文  参考訳（メタデータ） (2026-09-27T03:53:41Z)
• PiDDM: Physics-Informed Differentiable Degradation Modeling for Lithium-Ion Battery State-of-Health Prediction [2.9577202646353284]
  健康予測のための物理インフォームド微分分解モデリングフレームワークを開発した。 フレームワークは、固体電解質間相成長とリチウム在庫の喪失に関連する経験的アレニウス分解速度論を訓練目的に組み込む。
  論文  参考訳（メタデータ） (2026-07-31T07:19:26Z)
• BattVAE-GP: Generative Modeling of Long-Horizon Battery Degradation with Uncertainty Quantification [0.0]
  長い水平物理学に基づく電池劣化のシミュレーションは機械的な洞察を与えるが、計算コストは高い。 リチウムイオン電池劣化トラジェクトリのサロゲートモデリングを未知の充電速度で行うためのハイブリッド物理確率学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-07-11T09:48:36Z)
• FlowTS: Time Series Generation via Rectified Flow [67.41208519939626]
  FlowTSは、確率空間における直線輸送を伴う整流フローを利用するODEベースのモデルである。 非条件設定では、FlowTSは最先端のパフォーマンスを達成し、コンテキストFIDスコアはStockとETThデータセットで0.019と0.011である。 条件設定では、太陽予測において優れた性能を達成している。
  論文  参考訳（メタデータ） (2024-11-12T03:03:23Z)
• DiffBatt: A Diffusion Model for Battery Degradation Prediction and Synthesis [0.7342676110939172]
  本稿では,電池劣化予測と合成のための新しい汎用モデルDiffBattを紹介する。 老化挙動の不確実性を捉える確率モデルと、バッテリー劣化をシミュレートする生成モデルとして機能する。 すべてのデータセットの平均RMSEは196サイクルであり、他のモデルよりも優れ、より優れた一般化性を示す。
  論文  参考訳（メタデータ） (2024-10-31T12:53:53Z)
• Physics-guided Active Sample Reweighting for Urban Flow Prediction [75.24539704456791]
  都市フロー予測は、バス、タクシー、ライド駆動モデルといった交通サービスのスループットを見積もる、微妙な時間的モデリングである。 最近の予測解は、物理学誘導機械学習(PGML)の概念による改善をもたらす。 我々は、PN(atized Physics-guided Network)を開発し、P-GASR(Physical-guided Active Sample Reweighting)を提案する。
  論文  参考訳（メタデータ） (2024-07-18T15:44:23Z)
• 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)

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。