AI驱动的代理模型用于预测锂离子电池电极尺度放电行为

arXiv cs.LG 论文
deep-learning surrogate-model battery lithium-ion transformer simulation

摘要

介绍了一种基于Swin3D Transformer的深度学习代理流水线，用于预测锂离子电池的时空放电动态，显著降低计算成本，同时相比点云基线提高了准确性。

arXiv:2607.20577v1 公告类型：新 摘要：基于物理的仿真对于理解锂离子电池（LIBs）的电极尺度放电行为至关重要，但计算成本高昂。为此，我们引入了一种基于Swin3D Transformer的新型深度学习代理流水线，直接从体数据预测时空放电动态。我们的方法整合了两项关键创新：高斯位置编码（GPE），通过适应电极微结构的复杂几何来增强空间特征表示；以及专门的时间编码模块，用于捕捉非线性时间序列演化。在电化学仿真（ES）数据集上的实验验证表明，我们的流水线在预测精度上显著优于最先进的点云基线。此外，所提出的方法将计算开销降低了几个数量级，为高通量电池设计和优化提供了可扩展且高效的框架。
查看原文
查看缓存全文

缓存时间: 2026/07/24 05:12 

# 基于AI的代理模型预测锂离子电池电极尺度放电行为
来源：https://arxiv.org/abs/2607.20577
查看 PDF（https://arxiv.org/pdf/2607.20577）

> 摘要：基于物理的模拟对于理解锂离子电池（LIBs）的电极尺度放电行为至关重要，但计算成本过高。为解决这一问题，我们提出了一种基于 Swin3D Transformer 的新型深度学习代理流水线，可直接从体积数据预测时空放电动态。该方法融合了两项关键创新：高斯位置编码（GPE），通过适应电极微结构的复杂几何形状增强空间特征表示；以及专门的时间编码模块，用于捕获非线性时间序列演化。在电化学模拟（ES）数据集上的实验验证表明，我们的流水线在预测精度上显著优于最先进的点云基线方法。此外，所提方法将计算开销降低了数个数量级，为高通量电池设计与优化提供了可扩展且高效的框架。

## 提交历史

来自：Mengda Xing [查看电子邮件 (https://arxiv.org/show-email/c530c2b5/2607.20577)] [通过 CCSD 代理] **[v1]** 2026年7月22日星期三 09:10:48 UTC（2,500 KB）

相似文章

BatteryMFormer：多层级学习用于电池退化轨迹预测

arXiv cs.AI

本文提出了BatteryMFormer，一种用于早期电池退化轨迹预测的多层级Transformer，它集成了老化条件感知解码、元退化模式记忆和双视角编码，以捕捉多层级退化结构和SOC局部变化，在四个电池领域上持续优于最先进的基线方法。