量子特徴マッピングを用いた物理インフォームドニューラルネットワークによるバッテリ健全性（SOH）予測

Abstract

健全性（SOH）推定を用いた正確なバッテリーの健康状態予測は、多スケールのバッテリーエネルギー貯蔵の信頼性に不可欠である。しかし、既存手法は多様なバッテリー化学系および運用条件にわたる汎用性の点で限界がある。標準的なニューラルネットワークがバッテリー劣化の複雑で高次元な物理を捉えられないことが、これらの制約の主な要因である。これに対処するために、量子特徴マッピング（Quantum Feature Mapping: QFM）技術を用いた物理インフォームドニューラルネットワーク（QPINN）を提案する。QPINNは、生のバッテリーセンサーデータを高次元ヒルベルト空間へ射影し、ナイストロム法を用いることで微細で非線形な劣化パターンを効果的に捉える、非常に表現力の高い特徴集合を構築する。これらの量子強化特徴は、その後、物理制約を課す物理インフォームドネットワークによって処理される。提案手法は、異なるデータセットにおいてSOH推定の平均精度が99.46 %を達成し、最先端のベースラインを大幅に上回る。MAPEおよびRMSEはそれぞれ最大65 %および62 %低減する。さらに本手法は、387セルからなる大規模・多化学系データセット（310,705サンプル）で検証され、相互検証の設定においても顕著な適応性を示した。すなわち、目標ドメインのSOHラベルに依存することなく、ある化学系から別の化学系へ正常に転移できることを確認した。