[논문 리뷰] PINEAPPLE: Physics-Informed Neuro-Evolution Algorithm for Prognostic Parameter Inference in Lithium-Ion Battery Electrodes

Karkulali Pugalenthi, Jian Cheng Wong외 5명|arXiv (Cornell University)|2026. 02. 20.

Advanced Battery Technologies Research인용 수 0

한 줄 요약

PINEAPPLE은 물리 기반 정보 신경망(PINN)과 진화 탐색을 결합하여 사이클 의존 내부 상태 매개변수를 Li-이온 배터리의 전압-시간 데이터에서 실시간으로 추론하며 제로샷 예측 및 상당한 속도 향상을 제공합니다.

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.

연구 동기 및 목표

• 예후 예측 및 BMS 성능 향상을 위해 내부 배터리 상태의 비파괴적이고 실시간 추론을 촉진한다.
• 사실 기반 모델과 데이터 기반 학습을 통합하여 사이클 의존 내부 매개변수를 추론하는 프레임워크를 개발한다.
• 배터리 사이클 간 및 가능하면 다른 화학 조성에서도 해석 가능하고 확장 가능한 빠르고 강건한 매개변수 추론을 달성한다.
• 공개 CALCE 데이터에서 확산 계수 및 관련 내부 상태 경향을 회복하기 위해 이 접근법을 시연한다.

제안 방법

• 예후 파라미터 추론을 위한 물리정보 신경망(PINN)과 진화 탐색을 융합한 프레임워크인 PINEAPPLE을 도입한다.
• 제로샷 예측을 가능하게 하기 위해 Single Particle Model(SPM)을 위한 일반화 가능한 LE-PINN을 사전 학습시키는 Baldwinian 메타학습 전략을 사용한다.
• SPM에서 D_p, D_n, G_p, c_max를 조절하는 스케일링 인자(ηD_p, ηD_n, ηG_p, ηcmax,p)에 대한 진화적 탐색으로 사이클 의존 매개변수 추론을 정식화한다.
• 각 사이클마다 물리 제약이 있는 해를 가진 닫힌 형식 해(티코노프 정규화된 최소제곱)로 최종 계층 가중치만 빠르게 미세조정한다.
• 작업 간 물리적 일관성과 예측 정확도를 최대화하는 가중치 분포(w̃)와 하이퍼파라미터를 학습하기 위한 외부 진화 최적화를 수행한다.
• LE-PINN 출력으로 관찰된 V-t 곡선과 예측된 V-t 곡선 사이의 오차를 최소화하여 전압-시간(V-t) 데이터에서 내부 상태 매개변수를 온라인으로 추론한다.

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’

실험 결과

연구 질문

• RQ1 PINN 기반 역추적 접근을 사용하여 Li-이온 배터리의 사이클 의존 내부 상태 매개변수를 비파괴적으로 V-t 데이터에서 추론할 수 있는가?
• RQ2 SPM과 Baldwinian 메타학습을 통해 물리를 통합하는 것이 다양한 SPM 매개변수에 대해 제로샷의 정확한 예측을 생성하는가?
• RQ3 진화 탐색이 실제 데이터에서 배터리 간 가변성을 조절하는 핵심 스케일링 인자를 견고하게 추론할 수 있는가?
• RQ4 추정된 확산계수 및 관련 매개변수들이 사이클에 따라 물리적으로 그럴듯한 열화 추세를 보이는가?

주요 결과

• 프레임워크는 전극 거동에서 테스트 오차가 0.1% 미만으로 제로샷 예측을 달성한다.
• PINEAPPLE은 유사 정확도에서 PyBAMM 같은 기존 해보다 한 차원 더 빠른 속도 향상을 제공한다.
• 추정된 사이클 의존 확산계수(D_p, D_n)와 기하학적/농도 매개변수(G_p, c_max,p)는 용량 소실과 일관되고 물리적으로 타당한 열화 추세를 보인다.
• CALCE 데이터로부터 Li-ion 확산 및 관련 상태의 의미 있는 진화를 여러 CX2 셀에 걸쳐 회복한다.
• 이 접근법은 차세대 배터리 관리 시스템에 적합한 내/외부 셀 간 변동성의 비파괴적 실시간 물리 기반 특성화를 가능하게 한다.
• Baldwinian 메타학습 단계는 새로운 물리 조건에 신속한 순방향 풀이와 함께 빠르게 적응하는 일반화 가능한 LE-PINN을 도출한다.

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