[論文レビュー] EntroLnn: Entropy-Guided Liquid Neural Networks for Operando Refinement of Battery Capacity Fade Trajectories

Wei Li, Wei Zhang+1 more|arXiv (Cornell University)|Jan 8, 2026

Advanced Battery Technologies Research被引用数 0

ひとこと要約

EntroLnnはエントロピー誘導型の変換可能リキッドニューラルネットワークを導入し、実時間で全体の容量減衰軌道を refine、データが限られている場合でも高い精度と軽量な計算を実現。CFTに対して0.004577 MAE、エンド・オブ・ライフ（EoL）予測をエントロピーに基づく特徴量で実現。

ABSTRACT

Battery capacity degradation prediction has long been a central topic in battery health analytics, and most studies focus on state of health (SoH) estimation and end of life (EoL) prediction. This study extends the scope to online refinement of the entire capacity fade trajectory (CFT) through EntroLnn, a framework based on entropy-guided transformable liquid neural networks (LNNs). EntroLnn treats CFT refinement as an integrated process rather than two independent tasks for pointwise SoH and EoL. We introduce entropy-based features derived from online temperature fields, applied for the first time in battery analytics, and combine them with customized LNNs that model temporal battery dynamics effectively. The framework enhances both static and dynamic adaptability of LNNs and achieves robust and generalizable CFT refinement across different batteries and operating conditions. The approach provides a high fidelity battery health model with lightweight computation, achieving mean absolute errors of only 0.004577 for CFT and 18 cycles for EoL prediction. This work establishes a foundation for entropy-informed learning in battery analytics and enables self-adaptive, lightweight, and interpretable battery health prediction in practical battery management systems.

研究の動機と目的

• SoH および EoL を超えた operando CFT refinementsのための容量減衰轨跡モデル拡張。
• オンライン温度場から導出したエントロピー系特徴で物理的解釈性を付与。
• 静的および動的 transformers を備えた LNN を開発し、バッテリーおよび作動条件を跨いで適応。
• 最小限のセンサ要件でデータ効率が高く汎化可能なバッテリヘルスモデリングを実証。

提案手法

• 温度と空間区間からエントロピー S を定義し、劣化中の熱的不均一性を要約。
• SoH モデリングの主要特徴量として dS/dV を計算。
• dS/dV からパターンを抽出する軽量な2層1D-CNN を使用。
• エントロピー由来の特徴と物理-informed 指標を、SoH推定のための注意機構付き複数入力MLPで統合。
• リファレンスバッテリー上で静的LNNを短期のCFT refinemenに、オンライン適応を伴う動的LNNを長期 refinemenに使用。
• 二段階導入：静的LNNは初期サイクルを担当；動的LNNはスライディングウィンドウを通じてCFTをEoLへ拡張。

Figure 1. The holistic framework of EntroLnn . The model integrates multiple features of LIBs, including temperature curves, entropy features derived from temperature profiles, and additional attributes extracted from entropy curves. EntroLnn adapts to real-time CFT refinement across different batte

実験結果

リサーチクエスチョン

• RQ1 エントロピー基づく温度特徴は多様なバッテリーでの operando SoH および CFT refinements を正確に可能にするか。
• RQ2 静的および動的 LNN は見たことのないバッテリーに対して、初期サイクルデータが限られている場合にどれだけ一般化できるか。
• RQ3 最小データ量と軽量モデルで、CFT refinemen と EoL 予測の達成可能な精度はどれくらいか。
• RQ4 operando のエントロピー誘導学習はセンサノイズおよび異なる操作条件へのロバスト性を向上させるか。

主な発見

Method	MAE (SoH)	MAE (EoL)	Data Storage	Parameters (M)
BFRN	0.004775	200 (with 10% data)	0.36 GB for 10 cycles	6.05
BTL	0.02709 (with 30% data)	–	–	–
DRRN	0.012	–	–	0.69
TLPH	–	47.67	–	7.36
DCNN	–	65.00	–	2.39
EntroLnn (ours)	0.004577 (with 10% data)	18 (with 10% data)	239KB for 2,134 cycles	0.25

• EntroLnn は 10% データで CFT refinemen の MAE を 0.004577、
• EoL 予測の MAE は 18 サイクルで 10% データ。
• 静的 LNN は 98% SoH までの短期 refinemen を高精度で提供（平均 SoH 進化 MAE ≈ 0.0025）。
• 動的 LNN は 短期〜中期のライフで全体の CFT MAE を 0.0058 未満に抑え、MAPE ≈ 0.6% で EoL へ拡張。
• エントロピー特徴を用いた点推定 SoH は MAE 0.0086 を達成し、温度のみを用いる場合の 0.0158 より大幅に改善。
• エントロピー基づく特徴は軽量でセンサ効率の高いモデリングを実現（2,134 サイクルでデータ保存 239 KB、パラメータ 0.25M）。

Figure 2. The original data extraction from the dataset, which consists of 124 batteries. The extracted data include the SoH, voltage, and surface temperature profiles.