研究人员开发了两种不同的方法来改进电池退化建模和数据管理。第一种方法BattVAE-GP使用混合物理概率学习框架,为预测长时电池退化轨迹创建计算高效的代理模型,并包含不确定性量化。第二种方法BatteryLake引入了一个agentic、基于物理的公共电池老化数据集策展框架,通过LLM代理和人工在环验证过程将原始数据转化为可用于基准测试的资产。该框架还包括一个包含41个数据集、标准化任务和基线模型的开放基准。 AI
影响 这些进展可以通过提供更准确的退化预测和标准化、可访问的数据集来加速电池技术的研发。
排序理由 两篇不同的研究论文介绍了用于电池退化建模和数据管理的新型AI驱动框架。
- BatteryLake
- LLM
- alphaXiv
- Arnaud Demortière
- BattVAE-GP
- CatalyzeX
- DagsHub
- DFN/P2D
- Gaussian process
- Gotit.pub
- Hugging Face
- PyBaMM
- variational auto-encoder
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →