Battery-Sim-Agent：利用LLM智能体进行逆向电池参数估计
人工智能
2026-05-29 v1
摘要
对高保真"数字孪生"进行参数化是推动电池创新不可或缺却具有挑战性的逆问题。现有方法将其表述为黑箱优化（BBO）任务，采用样本效率低且缺乏对底层物理理解的算法。本文提出一种新范式，将逆问题重新表述为推理任务，并介绍Battery-Sim-Agent——首个在高保真电池模拟器中部署大语言模型（LLM）智能体的框架。该智能体模拟人类科学家的工作流程：解读来自模拟器的丰富多模态反馈，形成基于物理的假设解释差异，并提出结构化的参数更新。在构建涵盖多种电池化学、运行条件和难度水平的系统性基准套件后，我们的智能体在识别准确参数方面显著优于像贝叶斯优化等强大的BBO基线。我们进一步展示了该框架在复杂长期衰减拟合任务中的能力，并在真实世界电池数据集上验证了其实际应用性。我们的结果凸显了LLM智能体作为科学发现和电池参数估计工具的推理性优化器的潜力。
引用
@article{arxiv.2605.29560,
title = {Battery-Sim-Agent: Leveraging LLM-Agent for Inverse Battery Parameter Estimation},
author = {Jiawei Chen and Xiaofan Gui and Shikai Fang and Shengyu Tao and Shun Zheng and Weiqing Liu and Jiang Bian},
journal= {arXiv preprint arXiv:2605.29560},
year = {2026}
}