복잡한 시스템을 다루는 작업에서는 의사결정을 뒷받침하기 위해 고정밀(high-precision) 수치 계산이 필요합니다. 그러나 현재의 대규모 언어 모델(LLM)은 향상된 추론 능력을 갖추었더라도 기존 아키텍처 하에서는 이러한 계산을 내재적이면서도 해석 가능한 역량으로 통합하지 못합니다. 이를 해결하기 위해, 본 논문에서는 토큰 수준에서 계산과 추론을 유도하여 단일 사고의 연쇄(Chain-of-Thought) 내에서 반복적인 상호 전환을 가능하게 하는 아키텍처인 PiERN(Physically-isolated Experts Routing Network)을 제안합니다. 저자들은 PDEBench 및 배터리 관리 작업을 포함한 대표적인 계산-추론 작업에서 PiERN을 체계적으로 평가했습니다. 실험 결과, PiERN은 LLM을 직접 파인튜닝하는 것보다 더 높은 정확도를 달성할 뿐만 아니라, 주류 멀티 에이전트(multi-agent) 접근 방식에 비해 응답 지연 시간, 토큰 사용량, GPU 에너지 소비량 및 전문가 라우팅 정확도에서 상당한 개선을 보였습니다. 동시에 MMLU 및 GLUE 벤치마크 성능에서도 유의미한 저하를 나타내지 않았습니다. PiERN은 언어 모델을 과학 시스템과 연계하기 위한 효율적이고 해석 가능하며 확장 가능한 패러다임을 제공합니다.
실제 배터리 응용 환경에서는 미래의 부하 프로파일을 알 수 없고 매우 동적이기 때문에, 정확한 잔여 방전 시간(RDT) 예측은 어려운 과제이다. 연속적인 RDT 회귀의 불확실성을 해결하기 위해, 본 논문은 잔여 방전 상태를 Normal, Good, Moderate, Low, Recharge Required의 다섯 가지 해석 가능한 클래스로 나타내는 배터리 관리 지표인 상대 방전 단계(Relative Discharge Stage, RDS)를 제안한다. 현재의 충전 수준을 반영하는 충전 상태(SOC)와 달리, RDS는 추론 시 미래 전류 정보 없이도 남은 방전 과정을 특성화한다. 이를 위해 SOC 추정과 경량 시간적 학습을 결합한 물리 기반(physics-informed) RDS 분류 프레임워크를 제안한다. SOC 추정 구성요소는 2차 ECM 상태 및 단자 전압 예측, 히스테리시스 및 OCV 온도 보정, 코어 온도 추정, AEKF 상태 보정을 포함하며, OCV 평가, 온라인 STC-ECM 매개변수 적응, 사전학습된 신경망 잔차 전압 보정이 이를 뒷받침한다. 측정된 전류, 단자 전압, 표면 온도, 그리고 추정된 SOC는 슬라이딩 관측 윈도우로 구성되어 경량 시간적 합성곱 신경망(temporal convolutional network)으로 처리된다. 두 개의 공개 리튬이온 배터리 데이터셋에 대한 실험을 통해, 다양한 부하 및 열 조건에서 80%를 초과하는 정확도로 견고한 RDS 분류 성능을 확인하였다.
Doyle-Fuller-Newman (DFN) 모델은 리튬이온 배터리의 내부 전기화학적 상태를 높은 충실도로 해석합니다. 그러나 지배 방정식의 수치 해는 실시간 배포에 있어 계산적으로 비용이 너무 많이 들어, 개별 셀에서 팩(pack) 및 플릿(fleet) 규모 응용으로의 확장성을 제한합니다. 머신러닝 대체 모델(surrogate)은 GPU 가속을 통해 추론(inference) 지연 시간을 크게 줄일 수 있지만, 기존의 대부분 접근 방식은 일반화 가능한 상태 진화 역학을 학습하기보다는 특정 운용 조건에 묶인 해 근사치를 학습합니다. 본 연구는 광범위한 운용 조건에 걸쳐 전체 DFN 내부 상태를 예측하는 자기회귀 상태 천이 연산자로 공식화된 4가지 신경망(neural network) 아키텍처(MLP, ResNet, U-Net, FNO)에 대한 체계적인 비교를 제시합니다. 통제된 아키텍처 비교를 보장하기 위해, 모든 모델(model)은 다단계 펼침(multi-step unrolling) 및 전류 조건화(current-conditioning)를 사용하는 통합 프레임워크 하에서 학습되어 공간적 귀납적 바이어스(spatial inductive bias)의 영향을 분리합니다. 결과는 U-Net의 다중 스케일 특징(feature) 계층이 300단계 자기회귀 롤아웃(rollout) 후 모든 내부 상태 변수에 평균된 평균 최종 단계 nRMSE 3%를 달성하면서, 수치 해석기 대비 5.38배의 속도 향상을 제공함을 보여줍니다. 이러한 발견은 공간적 귀납적 바이어스를 대체 모델 성능의 중요한 결정 요인으로 강조하며, 차세대 배터리 관리 시스템 및 디지털 트윈을 위한 내부 상태 관측 가능성 대체 모델의 개발을 발전시킵니다.