배터리 내부 상태 자기회귀 예측을 위한 신경망 대체 아키텍처 비교 연구
Comparative Study of Neural Surrogate Architectures for Autoregressive Prediction of Internal Battery States
한국어 초록
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.
원문 초록
The Doyle-Fuller-Newman (DFN) model resolves internal electrochemical states in lithium-ion batteries with high fidelity. However, the numerical solution of its governing equations is computationally prohibitive for real-time deployment, limiting scalability from individual cells to pack and fleet-scale applications. While machine learning surrogates can substantially reduce inference latency through GPU acceleration, most existing approaches learn solution approximations tied to specific operating conditions rather than learning generalizable state-evolution dynamics. This work presents a systematic comparison of four neural network architectures (MLP, ResNet, U-Net, FNO) formulated as autoregressive state-transition operators that predict full DFN internal states across a wide range of operating conditions. To ensure a controlled architectural comparison, all models are trained under a unified framework using multi-step unrolling and current-conditioning, isolating the impact of spatial inductive bias. Results demonstrate that the U-Net's multi-scale feature hierarchy achieves a mean final-step nRMSE of 3% averaged across all internal state variables after 300-step autoregressive rollouts, while providing a 5.38x speed-up over the numerical solver. These findings highlight spatial inductive bias as a critical determinant of surrogate performance, advancing the development of surrogates for internal state observability for next-generation battery management systems and digital twins.
제출 이력
확인된 버전만 표시합니다. 전체 제출 이력은 arXiv 원문에서 확인하세요.
- arXiv:2606.20053v1제출 시각 미확인
함께 살펴볼 논문
공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.
강제 물리 시스템에서의 잠재 응답 법칙 발견
Discovering Latent Response Laws in Forced Physical Systems
지배 방정식(governing equation)은 물리 시스템을 간결하게 기술하지만, 이를 단순하게 표현하는 변수는 종종 고차원 측정값 속에 숨겨져 있다. 이 문제는 강제 시스템(forced system)에서 더욱 두드러지는데, 강제 시스템의 응답은 내재적 다이나믹스와 시간 의존적 입력 모두에 의존하기 때문이다. 본 연구에서는 응답 방정식을 위한 강제 잠재 오토인코더인 FLARE를 소개한다. FLARE는 간결한 응답 좌표를 학습하고, 희소한 입력 의존적 잠재 다이나믹스를 식별하며, 방정식 롤아웃을 전체 응답으로 디코딩한다. 데이터로부터 잠재 차원을 추정하고 상태 추정과 외부 강제력을 분리함으로써, FLARE는 과거 응답으로부터 초기화되고 지정된 미래 입력에 의해 구동되는 예측을 가능하게 한다. 알려진 동역학 시스템, 응용 규모의 강제 응답, 시각적 관측에 걸쳐 FLARE는 간결한 강제 다이나믹스를 복원하고, 학습에 사용되지 않은 입력 하에서도 장기 고차원 응답을 예측한다. 학습된 좌표를 동역학적 인터페이스로 전환함으로써, FLARE는 방정식 발견(equation discovery)을 복잡한 관측 내에 유효 상태가 숨겨진 시스템으로 확장하며, 강제 동역학 시스템에서의 고차원 응답에 대한 해석 가능한 모델링과 예측을 위한 경로를 제공한다.
GatedLinear: 시계열 예측을 위한 상보적 선형 기저의 적응적 라우팅
GatedLinear: Adaptive Routing of Complementary Linear Bases for Time Series Forecasting
시계열 예측은 모델이 부드러운 추세 연속부터 비정상 드리프트, 엄격한 위상 정렬 주기성에 이르기까지 다양하고 상호 배타적인 시간적 동역학을 포착할 것을 요구한다. 최근 심층 학습 모델들이 정확도를 개선했지만, 이들은 일반적으로 고정된 알고리즘적 귀납적 편향(예: 셀프-어텐션 또는 스펙트럴 필터링)에 의해 제어되는 단일 연산 백본을 통해 이러한 다양한 패턴을 처리하도록 강제한다. 이 단일 메커니즘 접근법은 서로 다른 변수와 예측 지평선이 근본적으로 상이한 예측 처리를 필요로 하는 실세계 시계열의 극심한 이질성에 종종 어려움을 겪는다. 이를 해결하기 위해, 우리는 예측을 상보적 선형 기저의 적응적 라우팅으로 프레이밍하는 경량 프레임워크인 GatedLinear를 제안한다. GatedLinear는 세 가지 특화된 메커니즘의 풀을 활용한다: 부드러운 투영을 위한 전역 추세-계절성 기저, 비정상 드리프트를 위한 차분 기반 증분 기저, 명시적 주기적 재사용을 위한 위상 정렬 반복 기저. 이러한 상이한 동작들을 동적으로 조율하기 위해, 우리는 라우팅 결정을 채널별 선호도, 지평선 인식 오프셋, 그리고 알려진 미래 시간 마크에서 도출된 위상 인덱스 편향으로 분리하는 삼중 인수분해 융합 게이트(Tri-Factorized Fusion Gate)를 도입한다. 이 설계는 모델이 계산 비용이 큰 신경 모듈을 중첩하지 않고도 서로 다른 예측 레짐에 걸쳐 세밀한 포인트별 소프트 라우팅을 수행할 수 있게 한다. 표준 벤치마크에서의 실험 결과, 우리의 방법은 최근의 복잡한 기반 모델들에 대해 최첨단 또는 매우 경쟁력 있는 정확도를 달성하면서도, 명시적으로 해석 가능한 라우팅 패턴을 제공하고 상당히 적은 매개변수로 운용됨을 보인다.
신뢰할 수 있는 산업 공정 추론을 위한 대규모 언어 모델 기반 측정 신뢰도 보정
LLM-Guided Measurement Credibility Correction for Trustworthy Industrial Process Inference
산업 예측과 소프트 센싱(soft sensing)은 신뢰할 수 있는 입력 측정값에 의존한다. 현장 배포 환경에서 예측기는 편향되거나, 지연되거나, 오래되었거나, 파생된 측정값을 수신할 수 있으며, 이러한 측정값들은 여전히 그럴듯하게 보일 수 있다. 입력 윈도우가 더 이상 실제 공정을 대표하지 않기 때문에, 예측 백본(forecasting backbone)이 주된 한계가 되기 전에 예측이 실패할 수 있다. 센서 재구성, 데이터 조정(data reconciliation), 결함 허용 소프트 센싱은 이 위험을 줄이지만, 이들은 종종 수치적 상관관계, 경보, 결함 레이블, 또는 명시적인 공정 방정식에 의존한다. 이러한 가정들이 항상 가용한 것은 아니다. 변수들이 계측기, 파생 수식, 소프트 센싱 체인, 또는 제어 동작을 공유하는 경우, 상관된 변수도 안전하지 않은 참조가 될 수 있다. 핵심 과제는 예측 전에 어떤 외부 측정값이 현재 측정값을 신뢰할 수 있게 뒷받침할 수 있는지를 결정하는 것이다. 이 문제를 해결하기 위해, 본 논문은 대규모 언어 모델(LLM) 기반 측정 신뢰도 보정(LLM-Guided Measurement Credibility Correction, MCC)을 제안한다. MCC는 공정 문서에 있는 측정값의 의미를 수치 모델이 활용할 수 있는 측정 의미론(measurement semantics)으로 변환한다. 의미론적으로 검증된 외부 측정값으로부터 독립적인 공정 참조값을 구축하고, 예측 전에 지역적 측정값 충돌을 보정한다. 따라서 예측기는 더 신뢰할 수 있는 입력 윈도우를 수신하게 된다. 여러 복잡한 산업용 예측 및 소프트 센싱 과제에 걸쳐, +MCC는 실제 테스트 프로토콜에서 평균 상대 MAE를 30.7%, 제어된 오염 프로토콜에서 80.3% 감소시킨다. 0.5~2.0k의 온라인 파라미터만 추가되며, 가장 느린 +MCC 추론 시간은 0.089 ms/스텝이다. 이러한 결과는 측정 의미론이 공정 문서를 경량의 추론 전 신뢰도 보정 수단으로 전환하고 예측 정확도를 향상시킬 수 있음을 보여준다.
A Multi-Resolution Finite-Volume Inspired Deep Learning Framework for Spatiotemporal Dynamics Prediction
입력 경로는 소형 트랜스포머의 퓨샷 바인딩을 형성하지만 제로샷은 아니다: 완전 열거 가능한 연구
Input Pathways Shape Few-Shot, Not Zero-Shot, Binding in Tiny Transformers: A Fully-Enumerable Study
A Memory Efficient Unified Algorithm for Online Learning of Linear Dynamical Systems
토론
이 논문과 연결된 포럼 글이 아직 없습니다.