論文の概要: STEK: Structural-Terrain-Enhanced Koopman-Inspired Cross-Channel Regularization for Retrospective Battery Multi-Target Estimation
- arxiv url: http://arxiv.org/abs/2611.06299v1
- Date: Wed, 04 Nov 2026 10:33:19 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-06 03:25:58.060166
- Title: STEK: Structural-Terrain-Enhanced Koopman-Inspired Cross-Channel Regularization for Retrospective Battery Multi-Target Estimation
- Title（参考訳）: STEK:Retrospective Battery Multi-Target Estimationのための構造テライン強化クープマンインスパイアされたクロスチャネル正規化
- Abstract要約: STEK(Structument-enhanced framework for retrospective battery multi-target Estimation)を提案する。
STEKは、セルレベルのライフサイクル(dQ/dV)と、品質プロキシ条件のゲーティングを通じてエンドポイント由来の構造プロキシを組み合わせる。
- 参考スコア（独自算出の注目度）: 11.78379647558567
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Retrospective battery characterization across heterogeneous cells is challenging because cycling records vary substantially with chemistry, protocol, cell format, capacity, and operating conditions. An endpoint charge--discharge curve captures the local condition of an evaluated cycle, while a cell-level lifecycle terrain summarizes structural evolution across the archived trajectory. We propose STEK, a structural-terrain-enhanced framework for retrospective battery multi-target estimation. STEK combines a cell-level lifecycle (dQ/dV) terrain with an endpoint-derived structural proxy through quality-proxy-conditioned gating. Bounded FiLM and a validity-gated residual head refine the endpoint-curve representation while preserving a curve-based prediction pathway. Battery-type and optional material-text representations further condition an identity-centered low-rank linear map, providing a Koopman-inspired cross-channel consistency objective without modeling temporal dynamics or performing rollout. Under the fixed seven-output MIX-battery protocol, the full retrospective setting improves aggregate performance over endpoint-only learned baselines across multiple temporal backbones; this comparison reflects both the additional archived context and the modeling design. Under matched auxiliary inputs, STEK outperforms direct concatenation and quality-unaware FiLM, while descriptor-removal tests show graceful fallback to the endpoint pathway. Deterministic rules remain preferable for directly recoverable capacity summaries. The method targets retrospective archive harmonization rather than online estimation from cycle t alone.
- Abstract（参考訳）: 循環記録は化学、プロトコル、細胞形態、容量、運転条件によって大きく異なるため、不均一な細胞間での反射電池のキャラクタリゼーションは困難である。
終端電荷-放電曲線は評価されたサイクルの局所状態を捉え、一方、セルレベルのライフサイクルの地形は、アーカイブされた軌道を横断する構造的進化を要約する。
STEK(Structument-terrain-enhanced framework for retrospective battery multi-target Estimation)を提案する。
STEKは、セルレベルのライフサイクル(dQ/dV)と、品質プロキシ条件のゲーティングを通じてエンドポイント由来の構造プロキシを組み合わせる。
境界FiLMと有効ゲート残差ヘッドは、曲線ベースの予測経路を保持しながら、終端曲線表現を洗練する。
バッテリ型およびオプションのマテリアルテキスト表現は、さらにアイデンティティ中心の低ランクリニアマップを条件とし、時間的ダイナミクスをモデル化したりロールアウトを実行することなく、クープマンにインスパイアされたクロスチャネル一貫性の目標を提供する。
固定された7出力MIX-batteryプロトコルの下では、完全なリフレクション設定により、エンドポイントのみの学習ベースラインよりも複数の時間的バックボーンにまたがる集約パフォーマンスが改善される。
一致した補助入力の下では、STEKは直接結合と品質を意識しないFiLMより優れ、記述子除去テストはエンドポイントパスへの優雅なフォールバックを示す。
直接回復可能なキャパシティ・サマリーには決定論的ルールが好ましい。
本手法は,サイクルtのみからのオンライン推定よりも,ふりかえりアーカイブの調和を目標とする。
関連論文リスト
- PosePlaner: Denoising Any Feed-Forward Pose Predictor from Pairwise Planar Geometry [57.19469836839409]
最近の多視点変換器は、2つのビューから多くのビューと長いシーケンスへのトレーニングデータとモデルキャパシティのスケーリングにより、高度な3次元再構成を実現している。
我々はPosePlanerを提案し、このギャップを埋めるために、古典的な対応とフローマッチングによるポーズの結合を復活させることにより、このギャップを埋める。
提案手法は2視点データに基づいて効率よく訓練されるが,n視点ポーズ推定器をリトレーニングなしでストリーミングするための周期的精錬器として機能する。
論文 参考訳（メタデータ） (2026-10-26T04:55:36Z) - 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) - Adaptive Recurrent Message Passing for Test Time Computing on Graphs [80.56829418752513]
繰り返しグラフモデルでは,グラフデータとアーキテクチャ設計の固有のミスマッチを克服できることを示す。
本稿では,アダプティブ・リカレントグラフモデルであるAdaRを提案する。
論文 参考訳（メタデータ） (2026-06-21T12:14:11Z) - Clipping Bottleneck: Stabilizing RLVR via Stochastic Recovery of Near-Boundary Signals [83.0127582612634]
Near-boundary Rescue (NSR) は最小限のプラグ・アンド・プレイの修正であり、失った信号を回復するために、アウト・オブ・バウンドトークンを保持する。
NSRはトレーニングの安定性を大幅に改善し、DAPOやGSPOといった強力なベースライン上で一貫したゲインを提供する。
論文 参考訳（メタデータ） (2026-05-21T16:45:31Z) - RubricEM: Meta-RL with Rubric-guided Policy Decomposition beyond Verifiable Rewards [76.17893114021757]
長い形式のレポートを計画し、調査し、エビデンスを評価し、合成する深層研究システムには、根本的な答えがなく、多くのツール強化された決定にまたがる。
本研究では,ルーブリックは最終回答評価者だけでなく,ポリシーの実行,判断フィードバック,エージェントメモリを構成する共有インターフェースとして機能すべきである,と論じる。
我々は、段階的な政策分解とリフレクションに基づくメタ政治進化を組み合わせたルーリック誘導強化学習フレームワークEMを導入する。
論文 参考訳（メタデータ） (2026-05-11T17:40:38Z) - Continuous ageing trajectory representations for knee-aware lifetime prediction of lithium-ion batteries across heterogeneous dataset [0.0]
本研究では、電圧容量とキャパシティサイクルの連続的な表現に基づく電池寿命解析のための統一的なフレームワークを提案する。
250以上の細胞で、膝の発症と終末期の間に統計的に有意な相関が観察された。
初期のモデルでは、観測サイクルの数が増加するにつれて、より安定したRUL予測が提供される。
論文 参考訳（メタデータ） (2026-04-17T14:22:54Z) - Universal Battery Degradation Forecasting Driven by Foundation Model Across Diverse Chemistries and Conditions [15.502149500162227]
この研究は、様々な化学薬品や使用シナリオにわたる堅牢なパフォーマンスを維持する、統一されたキャパシティ予測フレームワークを提案する。
我々は20の公開老化データセットを1,704個の細胞と3,961,195個の充電サイクルセグメントを含む大規模コーパスにキュレートした。
観測されたデータセットと、意図的に保持されていないデータセットの両方の実験は、単一の統一モデルが、強いデータセット毎のベースラインと比較して、競争力または優れた精度を達成することを示している。
論文 参考訳（メタデータ） (2025-12-30T10:14:37Z) - Model-Based Policy Adaptation for Closed-Loop End-to-End Autonomous Driving [54.46325690390831]
本稿では,事前学習したE2E運転エージェントのロバスト性と安全性を高めるための汎用フレームワークとして,モデルベースポリシー適応(MPA)を提案する。
MPAは、ジオメトリ一貫性のあるシミュレーションエンジンを用いて、まず様々な対物軌道を生成する。
MPAは拡散ベースのポリシーアダプタを訓練し、基本方針の予測を洗練させ、Q値モデルを多段階に分けて長期的な結果を評価する。
論文 参考訳（メタデータ） (2025-11-26T17:01:41Z) - End-to-End Framework for Predicting the Remaining Useful Life of Lithium-Ion Batteries [0.04660328753262073]
本稿では、最近のチャージ放電サイクルのデータを利用して残りの使用可能なサイクル数を推定するRUL予測手法を提案する。
このアプローチは、新しい信号処理パイプラインとディープラーニング予測モデルの両方を導入している。
2つの一般公開された大規模データセットの実験結果から,提案手法がベースライン深層学習手法と機械学習技術より優れていることが示された。
論文 参考訳（メタデータ） (2025-05-22T13:28:18Z) - Time-series Generation by Contrastive Imitation [87.51882102248395]
モーメントマッチングの目的によってモチベーションされ、複合的エラーを軽減し、局所的(しかし前方的な)遷移ポリシーを最適化する。
推論において、学習されたポリシーは反復的なサンプリングのジェネレータとして機能し、学習されたエネルギーはサンプルの品質を評価するための軌道レベル尺度として機能する。
論文 参考訳（メタデータ） (2023-11-02T16:45:25Z)
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。