arXiv cs.AI· Jing Wang, Shiyuan Piao, Fugee Tsung·· 10 小时前AI 评分18
STEK：结构地形增强的 Koopman 启发跨通道正则化，用于回溯式电池多目标估计
STEK: Structural-Terrain-Enhanced Koopman-Inspired Cross-Channel Regularization for Retrospective Battery Multi-Target Estimation
AI 导读
STEK 是一个结构地形增强的回溯式电池多目标估计框架，将电芯级生命周期 dQ/dV 地形与端点曲线导出的结构代理通过质量代理条件门控结合。在固定七输出 MIX-battery 协议下，完整回溯设置相比仅用端点的学习基线提升了聚合性能，且在匹配辅助输入时优于直接拼接与质量无关 FiLM。描述符移除测试显示其可平滑回退到端点路径，该方法面向回溯档案协调而非仅凭第 t 个循环的在线估计。
正文 · AI 翻译
摘要：跨异构电池的回顾性电池表征具有挑战性，因为循环记录会随化学体系、协议、电池规格、容量和工作条件而显著变化。端点充放电曲线捕获被评估循环的局部状态，而电池级生命周期地形则概括归档轨迹中的结构演化。我们提出 STEK，一种用于回顾性电池多目标估计的结构地形增强框架。STEK 通过质量代理条件门控，将电池级生命周期（dQ/dV）地形与端点导出的结构代理相结合。有界 FiLM 和有效性门控残差头在保留基于曲线的预测通路的同时，细化端点曲线表示。电池类型和可选的材质文本表示进一步对以身份为中心的低秩线性映射进行条件化，提供受 Koopman 启发的跨通道一致性目标，而无需建模时间动态或执行 rollout。在固定的七输出 MIX-battery 协议下，完整的回顾性设置在多个时间骨干网络上相比仅端点的学习基线提升了总体性能；这一比较反映了额外的归档上下文和建模设计。在匹配的辅助输入下，STEK 优于直接拼接和质量无关的 FiLM，而描述符移除测试显示其可优雅回退到端点通路。对于可直接恢复的容量汇总，确定性规则仍然更可取。该方法面向回顾性归档协调，而非仅从循环 t 进行在线估计。
| 评论： | 18 页，4 幅图 |
| 主题： | 人工智能（cs.AI） |
| 引用为： | arXiv:2611.06299 [cs.AI] |
| （或 arXiv:2611.06299v1 [cs.AI] 为此版本） | |
| https://doi.org/10.48550/arXiv.2611.06299 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Huan Wang [查看邮箱]
[v1]
2026 年 11 月 4 日星期三 10:33:19 UTC（793 KB）
来源：arXiv cs.AI · arxiv.org