实体
PyBaMM
PyBaMM
PulseAugur coverage of PyBaMM — every cluster mentioning PyBaMM across labs, papers, and developer communities, ranked by signal.
总计 · 30天
1
90 天内 3
发布 · 30天
0
90 天内 0
论文 · 30天
0
90 天内 2
层级分布 · 90 天
主题
情绪 · 30 天
1 天有情绪数据
最近 · 第 1/1 页 · 共 3 条
-
小型LLM在代理应用中的多步工具使用方面遇到困难
一位为电池工程构建代理助手的开发者发现，在使用较小的语言模型（特别是qwen2.5:7b模型）时存在局限性。虽然用于仿真的单工具调用是可靠的，但多步工具编排（例如比较放电速率）会导致模型遗漏步骤或产生不完整的答案。模型倾向于推测仿真结果而不是严格报告它们，这加剧了这个问题。解决方案是将复杂的多工具计划折叠成单个、更全面的工具，从而减轻了小型语言模型的规划负担。
-
新的AI框架增强电池退化建模和数据管理
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。
-
新的迁移学习方法增强了锂离子电池状态估算的AI能力
研究人员开发了一个用于物理信息神经网络（PINNs）的迁移学习框架，以改进锂离子电池的状态估算。该方法通过预训练一个通用模型，然后针对特定电池进行微调，解决了为不同电池化学成分从头开始训练PINNs的挑战。使用PyBaMM进行的验证表明，该方法可以准确预测电压，保持电化学一致性，并显著缩短训练时间。