Autoeis: Automated Bayesian Model Selection and Analysis for Electrochemical Impedance Spectroscopy
Notice bibliographique
Résumé
Electrochemical impedance spectroscopy (EIS) is a cornerstone analysis technique for understanding the complex transport processes occurring in electrochemical systems. However, traditional methods of analyzing EIS data such as equivalent circuit models (ECMs) rely on experts’ tacit knowledge and thus are prone to subjectivity. This can lead to inconsistent and biased analysis and physical interpretations. To mitigate these concerns, we developed AutoEIS a tool that combines evolutionary algorithms and Bayesian Inference to automatically proposing statistically plausible equivalent circuit models. AutoEIS does this without requiring curated training data and thus can be applied to any electrochemical system in a way that minimizes bias in EIS analysis. AutoEIS firstly identifies a broad range of candidate ECMs that fit the EIS measurement via an evolutionary algorithms-based exploration. It then evaluates the appropriateness of each ECM based on the information contained in the EIS using Bayesian Inference. These processes allow AutoEIS to detect potential misalignments in EIS-ECM pairs. Such mismatches occur when a given ECM appears to fit well based on standard metrics and intuition but lacks credibility due to insufficient information contained in the EIS data. Here we validate AutoEIS’s ability to identify statistically plausible ECMs across various electrochemical scenarios, ranging from relatively simple systems like oxygen evolution reaction to more complex systems such as carbon dioxide reduction. We further demonstrate that this framework can be used to determine the minimal frequency required to be measured for maintaining the integrity of EIS analysis. It points to a pathway for expediting EIS acquisition by intelligently streamlining low-frequency EIS collection. These results highlight AutoEIS’s potential in both in-situ and high-throughput EIS analysis by enabling more efficient data acquisition while preserving analysis reliability.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,014 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,002 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».