BattVAE-GP: 不確かさ定量化を伴う長期バッテリー劣化の生成モデリング

長期にわたる物理ベースのバッテリー劣化シミュレーションは機構的な洞察を提供しますが、計算コストが高く、広範な動作条件の探索には制限があります。今回、研究チームはBattVAE-GPと呼ばれるハイブリッド物理・確率的学習フレームワークを提案し、未知の充電レートにおけるリチウムイオンバッテリーの劣化軌跡を効率的にモデル化しました。この研究はarXivプレプリントサーバー（論文ID: 2607.11943）で公開されています。

従来の物理モデルシミュレーションは正確ですが、多くの計算資源を必要とするため、広範なパラメータ探索には適していません。BattVAE-GPは、データ駆動型の変分自己符号化器（VAE）と確率的ガウス過程（GP）を組み合わせることで、計算負荷を大幅に削減します。具体的には、PyBaMMのDFN/P2D電気化学モデルを用いて生成されたサイクル別の劣化データを、容量に合わせた電圧とその微分特徴に変換し、VAEで2次元潜在表現に符号化します。この潜在空間は、異なる充電プロトコル下での劣化軌跡を区別するだけでなく、サイクルの進行情報も保持します。

潜在空間上で、研究チームはスパースマルチタスクガウス過程を訓練し、サイクル数とCレートを入力変数としました。このGPモデルは、潜在劣化ダイナミクスの連続補間を可能にし、事後不確かさ推定を出力します。プロトコルレベルのホールドアウト評価では、潜在空間GPは未観測のCレートにおける劣化軌跡を正確に再現し、その不確かさ挙動は訓練データのサポートと一致しました。未知の内部Cレートを問い合わせた場合、生成された潜在軌跡は隣接するシミュレーションプロトコルの間に合理的に配置されました。

凍結されたVAEデコーダを通じてGP予測の潜在状態を復号すると、滑らかな電圧-容量曲線が得られます。さらに、補助的な予測器を導入し、GP潜在後続をモンテカルロ法で健全状態（SOH）予測に伝播させることで、不確かさを考慮したSOH推定を実現しています。BattVAE-GPフレームワークは、高い計算効率を維持しながら予測の不確かさを定量化し、より豊富な動作条件下でのバッテリーヘルス予測や将来のシミュレーション・実験融合に向けた構造的基盤を提供します。また、このモデルは他の電池化学系や動作条件への拡張も容易であり、幅広い応用が期待されます。