如何用神经算子重构电池数字孪生

主要观点总结

本文介绍了在电池管理系统（BMS）和数字孪生领域，研究团队通过“算子学习”打破传统物理模型与机器学习模型局限性的工作。特别是通过引入“参数嵌入”机制到FNO架构中，提出了PE-FNO新架构，实现了高物理保真度、毫秒级计算速度和对变动参数的泛化能力。

关键观点总结

关键观点1: 传统物理模型和纯数据驱动的机器学习模型在电池管理系统（BMS）中的挑战

传统物理模型虽然精准，但解耦合偏微分方程耗时较长；而纯数据驱动的机器学习模型虽然计算速度快，但一旦电池老化导致参数变化，模型便失效。

关键观点2: 研究团队如何通过“算子学习”来打破这一僵局

研究团队通过引入“算子学习”的核心动机，不仅要模仿物理模型的输出，更要直接学习物理方程的求解算子本身，并赋予其参数自适应能力。

关键观点3: PE-FNO新架构的特点和优势

PE-FNO是一种参数嵌入式傅里叶神经算子新架构，它能在保持高物理保真度的同时，实现毫秒级计算速度，并具有对变动参数的泛化能力。它在单粒子模型（SPM）上的表现令人咋舌，比传统物理求解器快了约200倍，同时保持了亚百分比级的误差。

关键观点4: 神经算子与传统数值方法的速度对比

神经算子展现了对传统数值方法的碾压优势，特别是在速度方面。PE-FNO单次推理时间达到亚毫秒级，比16线程CPU求解器快了近两个数量级。

关键观点5: 神经算子在解决逆向问题中的应用

神经算子不仅用于正向仿真，还可用于解决逆向问题，如在线参数辨识。利用PE-FNO作为正向模型，可以在极短时间内完成参数优化。