IonSense-QKG：面向鋰離子電池數據集發現的量子就緒元數據框架

鋰離子電池數據集在電池健康狀態估計、剩餘壽命預測、異常檢測、電化學診斷、二次壽命分析和電池安全研究中發揮着日益重要的作用。然而，這些數據集在化學體系、模態、規模、標籤質量、序列結構、訪問狀態和預處理複雜性方面存在顯著差異。這些差異直接影響數據集是否適用於近期混合量子-經典機器學習工作流。當前，研究者面臨的主要挑戰之一是如何從大量異構數據集中篩選出適合量子算法驗證的候選資源。

針對這一問題，研究人員提出了IonSense-QKG，一種面向鋰離子電池數據集發現的量子就緒元數據框架。該框架基於EV-Battery-IonSense索引，為公共電池數據集記錄補充量子相關元數據，包括任務類型（如分類、迴歸）、感知模態（電壓、電流、温度等）、化學體系（如LCO、NMC、LFP）、標籤可用性、序列類型、預處理要求、候選量子編碼、估計量子比特範圍以及NISQ可行性。此外，框架引入透明的量子就緒評分，用於將數據集排序為未來混合量子-經典電池基準的候選資源。該評分綜合考慮了數據集的量子友好性，但明確不作為量子優勢的證據，僅為數據集選擇提供啓發式指導。

IonSense-QKG通過查詢式發現，在豐富的元數據基礎上識別適用於緊湊量子特徵映射、量子時間序列工作流、少標籤異常檢測和未來電池健康基準測試的數據集。例如，研究者可以檢索出適合變分量子分類器的數據集，或篩選出滿足特定量子比特預算的時序數據。發佈的工件包括元數據表、評分腳本、魯棒性檢查、鏈接檢查工具和SQL風格查詢示例。整個框架將數據集選擇重新定位為數據管理問題，為數據中心的量子電池分析提供了可復現的基礎。

該框架的提出具有重要的現實意義。隨着量子計算硬件的發展，混合量子-經典機器學習在電池材料科學和電池管理系統中的應用前景廣闊。然而，公共數據集缺乏統一的量子相關描述，嚴重阻礙了算法的公平比較和可重複性。IonSense-QKG通過標準化元數據並引入評分機制，填補了這一空白，降低了數據集選擇的主觀性和隨意性。未來，研究團隊計劃進一步擴展框架，納入更多電池類型和量子計算框架，並探索與聯邦學習等前沿技術的結合。同時，他們鼓勵社區使用所提供的開源工具，共同推進量子電池分析領域的標準化進程。