标签
本文阐述了固态电池为何备受关注，详细介绍了其相较于传统锂离子电池的优势，以及来自宁德时代、比亚迪、LG、三星等公司的大规模行业投资。
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。
提出RoSIP-Batt，一种物理引导的多任务变换器，用于联合估计电池健康状态和剩余使用寿命，在NASA、MIT-Stanford和HUST数据集上实现了最先进的精度。
提出RoSIP-Batt，一种基于Transformer的模型，用于锂离子电池健康状态（SOH）与剩余使用寿命（RUL）的联合预测。该模型采用动态损失平衡和旋转位置嵌入，在多个数据集上取得了最先进的结果。
本文提出BattVAE-GP，一种混合物理-概率框架，结合变分自编码器与稀疏多任务高斯过程，生成并插值具有不确定性估计的长时程电池退化轨迹，为锂离子电池健康预测提供高效代理建模。
本文介绍了IonSense-QKG，这是一个元数据框架，通过添加量子就绪字段和加权量子就绪分数来丰富公开的锂离子电池数据集，以便对数据集进行排序，用于近期的混合量子-经典机器学习。
尽管炒作了几十年，固态电池仍未能大规模生产，但半固态（凝胶）电池现已进入市场，为充电宝和电动自行车提供了更高的安全性和更长的使用寿命，成本仅略高一些。
本文介绍MagBridge-Battery，这是一个包含6,760个磁场信号的合成数据集，用于锂离子电池健康状态诊断，结合真实磁形态学与真实退化标签，以弥合公开磁感应电池数据方面的空白。
本文介绍了 C2L-Net，这是一种数据驱动模型，利用短历史窗口实现锂离子电池高效且准确的荷电状态（SOC）估计。