Figgener, J. et al.家庭用ストレージ システムの複数年にわたる現場測定と、容量推定におけるその使用。 ナット。エネルギー 9、1438–1447 (2024)。
Degen, F.、Winter, M.、Bendig, D. & Tübke, J. リチウムイオンおよびポストリチウムイオン電池セルの現在および将来の生産のエネルギー消費。 ナット。エネルギー 8、1284–1295 (2023)。
セバーソン、KA et al.容量が劣化する前のバッテリーのサイクル寿命をデータに基づいて予測します。 ナット。エネルギー 4、383–391 (2019)。
アティア、PM et al.機械学習によるバッテリーの急速充電プロトコルの閉ループ最適化。 自然 578、397–402 (2020)。
Yu, R. & Wang, R. データからの動的システムの学習: 物理学に基づく深層学習の入門。 手順国立アカデミー。科学。 121、e2311808121 (2024)。
Xian, Y.、Lampert, CH、Schiele, B. & Akata, Z. ゼロショット学習 – 良い点、悪い点、醜い点の総合的な評価。 IEEE トランス パターン アナル。マッハ。知性。 41、2251–2265 (2019)。
Wang、H.ら。人工知能の時代における科学的発見。 自然 620、47–60 (2023)。
チェン、S.ら。外部からの Li 供給により、Li 欠乏とバッテリーの寿命限界が改善されます。 自然 638、676–683 (2025)。
ラム、VNら。 10 年間の洞察: カレンダーの老化傾向とその影響を掘り下げます。 ジュール 9、101796 (2025)。
Zhu, Y.、Gu, X.、Liu, K.、Zhao, W.、Shang, Y. 転移学習に基づくリチウムイオン電池のサイクル寿命の迅速なテストと評価。 IEEEトランス。トランスペアレント電化 10、9133–9143 (2024)。
エッジ、JS 他リチウムイオン電池の劣化：知っておくべきこと。 物理学。化学。化学。物理学。 23、8200–8221 (2021)。
Zhang、H.ら。セル間ディープラーニングによる、さまざまな経年変化条件にわたるバッテリー寿命予測。 ナット。マッハ。インテル。 7、270–277 (2025)。
Guo, N. et al.説明可能な数ショットのバッテリー寿命予測のための半教師あり学習。 ジュール 8、1820–1836 (2024)。
Aykol, M.、Herring, P.、Anapolsky, A. バッテリー技術の継続的な革新のための機械学習。 夜。メーター牧師。 5、725–727 (2020)。
ウォード、L.ら。バッテリーデータゲノムの原理。 ジュール 6、2253–2271 (2022)。
マーチャント、A. et al.材料発見のための深層学習のスケーリング。 自然 624、80–85（2023）。
ブルーナー、JS 発見という行為。 ハーバード教育。牧師 31、21–32 (1961)。
Google スカラー
Preger, Y. et al.市販のリチウムイオン電池の化学的性質およびサイクル条件に応じた劣化。 Ｊ．Ｅｌｅｃｔｒｏｃｈｅｍ．社会 167、120532（2020）。
Lain, MJ、Brandon, J. & Kendrick, E. 高出力リチウム イオン セルと高エネルギー リチウム イオン セルの設計戦略。 電池 5、64（2019）。
Trad, K. 市販の 18650 リチウム イオン電池のライフサイクル エージング テスト (25 °C および 45 °C)。 4TU。 研究データ （2021年）。
ヒーナン、TMM et al.ニッケルリッチな NMC811 正極とグラファイトシリコン負極を備えた 18650 リチウムイオン電池に関する高度な微細構造および電気化学データシート。 Ｊ．Ｅｌｅｃｔｒｏｃｈｅｍ．社会 167、140530（2020）。
Zhu、J.ら。電圧緩和からの市販リチウムイオン電池のデータ駆動型容量推定。 ナット。一般。 13、2261年（2022年）。
Wildfeuer、L. et al.市販のリチウムイオン電池の劣化実験の研究。 J. 電源 560、232498 (2023)。
ビルズ、A.ら。電動垂直離着陸機用のバッテリー データセット。 科学。データ 10、344 (2023)。
Yang、X.-G.、Liu、T.、Wang、C.-Y.量販電気自動車用の熱変調リン酸鉄リチウム電池。 ナット。エネルギー 6、176–185（2021）。
キム、J.-H.他。グリーンリチウム電池のカソード製造用のコスモトロピック水性処理溶液。 ナット。一般 16、1686年（2025年）。
Ko, S. et al.実験室規模の小型電池による加速熱量測定により、迅速な安全性スクリーニングが実現します。 ナット。エネルギー 10、707–714 (2025)。
ワン、C.-Y.他。エネルギー密度の高いリチウムイオン電池の急速充電。 自然 611、485–490 (2022)。
Zhang, J.、Che, Y.、Teodorescu, R.、Song, Z.、Hu, X. 電気自動車のエネルギー貯蔵管理。 ナット。 Rev.クリーンテクノロジー 1、161–175 (2025)。
ニュージャージー州シマンスキーら。新しい材料の合成を加速するための自律的な研究所。 自然 624、86–91 (2023)。
ニューハンプシャー州アンジェロら。閉ループ転送により、人工知能は化学知識を得ることができます。 自然 633、351–358 (2024)。
Cranmer, K.、Brehmer, J.、Louppe, G. シミュレーションベースの推論の最前線。 手順国立アカデミー。科学。 117、30055–30062 (2020)。
Durkan, C.、Bekasov, A.、Murray, I.、Papacarios, G. ニューラル スプライン フロー。で 手順神経情報処理システムの進歩 32 （カラン・アソシエイツ、2019年）。
Tejero-Cantero, A. et al. sbi: シミュレーションベースの推論のためのツールキット。 J. オープンソース ソフトウェア。 5、2505年（2020年）。
Sulzer, V.、Marquis, SG、Timms, R.、Robinson, M.、Chapman, SJ Python バッテリー数学モデリング (PyBaMM)。 J. オープン・リサーチソフトウェア。 9、14（2021）。
Lake, BM & Baroni, M. メタ学習ニューラル ネットワークによる人間のような体系的な一般化。 自然 623、115–121 (2023)。
Greenberg, D.、Nonnenmacher, M.、Macke, J. 無尤度推論のための自動事後変換。で 手順第36回機械学習国際会議 2404–2414 (PMLR、2019)。
Zou, H. & Hastie, T. 弾性ネットを介した正則化と変数選択。 JR駅社会B ステータスメソドール。 67、301–320 (2005)。
アワド、M. & カンナ、R. 効率的な学習機械: エンジニアとシステム設計者のための理論、概念、および応用 （アワド M. およびカンナ R. 編）67–80（Apress、2015）。
ペドレゴサ、F.ら。 scikit-learn: Python での機械学習。 J.マッハ。学ぶ。解像度 12、2825–2830 (2011)。
Schulz, E.、Speekenbrink, M. & Krause, A. ガウス過程回帰に関するチュートリアル: 関数のモデリング、探索、活用。 Ｊ．Ｍａｔｈ．サイコル。 85、1–16 (2018)。
Zhang、J.ら。 Discovery Learning は、最小限の実験からバッテリーのサイクル寿命を予測します。 ゼノド (2025年)。
#Discovery #Learning #は最小限の実験からバッテリーのサイクル寿命を予測します