IonSense-QKG：面向锂离子电池数据集发现的量子就绪元数据框架

锂离子电池数据集在电池健康状态估计、剩余寿命预测、异常检测、电化学诊断、二次寿命分析和电池安全研究中发挥着日益重要的作用。然而，这些数据集在化学体系、模态、规模、标签质量、序列结构、访问状态和预处理复杂性方面存在显著差异。这些差异直接影响数据集是否适用于近期混合量子-经典机器学习工作流。当前，研究者面临的主要挑战之一是如何从大量异构数据集中筛选出适合量子算法验证的候选资源。

针对这一问题，研究人员提出了IonSense-QKG，一种面向锂离子电池数据集发现的量子就绪元数据框架。该框架基于EV-Battery-IonSense索引，为公共电池数据集记录补充量子相关元数据，包括任务类型（如分类、回归）、感知模态（电压、电流、温度等）、化学体系（如LCO、NMC、LFP）、标签可用性、序列类型、预处理要求、候选量子编码、估计量子比特范围以及NISQ可行性。此外，框架引入透明的量子就绪评分，用于将数据集排序为未来混合量子-经典电池基准的候选资源。该评分综合考虑了数据集的量子友好性，但明确不作为量子优势的证据，仅为数据集选择提供启发式指导。

IonSense-QKG通过查询式发现，在丰富的元数据基础上识别适用于紧凑量子特征映射、量子时间序列工作流、少标签异常检测和未来电池健康基准测试的数据集。例如，研究者可以检索出适合变分量子分类器的数据集，或筛选出满足特定量子比特预算的时序数据。发布的工件包括元数据表、评分脚本、鲁棒性检查、链接检查工具和SQL风格查询示例。整个框架将数据集选择重新定位为数据管理问题，为数据中心的量子电池分析提供了可复现的基础。

该框架的提出具有重要的现实意义。随着量子计算硬件的发展，混合量子-经典机器学习在电池材料科学和电池管理系统中的应用前景广阔。然而，公共数据集缺乏统一的量子相关描述，严重阻碍了算法的公平比较和可重复性。IonSense-QKG通过标准化元数据并引入评分机制，填补了这一空白，降低了数据集选择的主观性和随意性。未来，研究团队计划进一步扩展框架，纳入更多电池类型和量子计算框架，并探索与联邦学习等前沿技术的结合。同时，他们鼓励社区使用所提供的开源工具，共同推进量子电池分析领域的标准化进程。