[論文レビュー] PINEAPPLE: Physics-Informed Neuro-Evolution Algorithm for Prognostic Parameter Inference in Lithium-Ion Battery Electrodes

Karkulali Pugalenthi, Jian Cheng Wong+5 more|arXiv (Cornell University)|Feb 20, 2026

Advanced Battery Technologies Research被引用数 0

ひとこと要約

PINEAPPLEは物理情報を組み込んだニューラルネットワークと進化的探索を組み合わせ、リアルタイムで電圧–時間データからリチウムイオン電池のサイクル依存内状態パラメータを推定し、ゼロショット予測と大幅な高速化を実現します。

ABSTRACT

Accurate, real-time, yet non-destructive estimation of internal states in lithium-ion batteries is critical for predicting degradation, optimizing usage strategies, and extending operational lifespan. Here, we introduce PINEAPPLE (Physics-Informed Neuro-Evolution Algorithm for Prognostic Parameter inference in Lithium-ion battery Electrodes), a novel framework that integrates physics-informed neural networks (PINNs) with an evolutionary search algorithm to enable rapid, scalable, and interpretable parameter inference with potential for application to next-generation batteries. The meta-learned PINN utilizes fundamental physics principles to achieve accurate zero-shot prediction of electrode behavior with test errors below 0.1$\%$ while maintaining an order-of-magnitude speed-up over conventional solvers. PINEAPPLE demonstrates robust parameter inference solely from voltage-time discharge curves across multiple batteries from the open-source CALCE repository, recovering the evolution of key internal state parameters such as Li-ion diffusion coefficients across usage cycles. Notably, the inferred cycle-dependent evolution of these parameters exhibit consistent trends across different batteries without any customized degradation physics-embedded heuristic, highlighting the effective regularizing effect and robustness that can be conferred through incorporation of fundamental physics in PINEAPPLE. By enabling computationally efficient, real-time parameter estimation, PINEAPPLE offers a promising route towards the non-destructive, physics-based characterization of inter-cell and intra-cell variability of battery modules and battery packs, thereby unlocking new opportunities for downstream on-the-fly needs in next-generation battery management systems such as individual cell-scale state-of-health diagnostics.

研究の動機と目的

• 内部電池状態の非破壊・リアルタイム推定を提案し、予後予測とBMS性能を向上させる。
• 物理ベースのモデルとデータ駆動学習を統合して、サイクル依存の内部パラメータを推定するフレームワークを開発する。
• サイクルに跨る解釈可能でスケーラブルな高速かつ堅牢なパラメータ推定を実現する。
• オープン CALCE データを用いて拡散係数および関連する内部状態の推移を回復することを実証する。

提案手法

• PINN（物理情報ニューラルネットワーク）と進化的探索を組み合わせた予 prognostic parâmeter inference のフレームワークであるPINEAPPLEを導入する。
• Baldwinianメタラーニング戦略を用いてSingle Particle Model（SPM）に対する一般化可能なLE-PINNを前訓練し、ゼロショット予測を可能にする。
• サイクル依存パラメータ推定を、SPM内のD_p, D_n, G_p, c_max,pを調整するスケーリング因子ηD_p, ηD_n, ηG_p, ηcmax,pの進化的探索として定式化する。
• 各サイクルごとに、物理制約付きの閉じた形解（Tikhonov正則化最小二乗法）で最終層の重みのみを高速に微調整する。
• 外部の進化最適化を実施して、物理整合性と予測精度をタスク全体で最大化する重み分布（w̃）とハイパーパラメータを学習する。
• LE-PINNの出力を用いて観測されたV-t曲線と予測V-t曲線の不一致を最小化することで、V-tデータから内部状態パラメータをオンラインで推定する。

Figure 1 : Discharge voltage-time (V-t) curves for the four selected CX2 batteries. A red-to-blue gradient color scheme is used to distinguish V-t curves across different cycles (CALCE CX2-34: 50–1726 cycles, CX2-36: 53–1958 cycles, CX2-37: 53–1274 cycles, CX2-38: 53–1949 cycles) during the battery’

実験結果

リサーチクエスチョン

• RQ1 リチウムイオン電池のサイクル依存内部状態パラメータは、PINNベースの反演像アプローチで非破壊的にV-tデータから推定できるか。
• RQ2 SPMとBaldwinianメタラーニングを取り入れることで、さまざまなSPMパラメータに対してゼロショットで高精度な予測が得られるか。
• RQ3 進化的探索は実データのセル間変動を規制する主要なスケーリング因子を頑健に推定できるか。
• RQ4 推定された拡散係数や関連パラメータは、サイクルを跨る物理的に妥当な劣化傾向を示すか。

主な発見

• フレームワークはゼロショット予測を実現し、電極挙動のテスト誤差は0.1%未満である。
• PINEAPPLEは同等の精度で、PyBAMMなどの従来ソルバーに対して桁違いの高速化を実現する。
• 推定されたサイクル依存の拡散係数（D_p, D_n）および幾何/濃度パラメータ（G_p, c_max,p）は、容量低下と相関する一貫した物理的に妥当な劣化傾向を示す。
• CALCEデータから、複数のCX2セルにわたるリチウムイオン拡散と関連状態の意味のある進化を回復する。
• この手法は、非破壊・リアルタイム・物理ベースの intra-および inter-セル変動の特徴付けを可能にし、次世代のBMSに適合する。
• Baldwinianメタラーニング段階は、一般化可能なLE-PINNを生み出し、新しい物理条件にも迅速に適応する。

Figure 2 : PINEAPPLE schematic. The nonlinear hidden layers of LE-PINN are meta-learned (pre-trained) through Baldwinian neuroevolution, which takes less than 600 seconds on a sparse simulation dataset with diffusion coefficients ( $D_{k}$ ) spanning 3 orders of magnitude. The fine-tuning (forward s