Проблема: хаос в данных о деградации
Публичные датасеты по старению батарей (aging data) критически важны для развития систем управления здоровьем (BMS), но их практическое применение ограничено. Данные разрознены, имеют несогласованные форматы, неясные схемы и метаданные, «размазанные» по разным репозиториям. Текущие методы кураторства либо полностью ручные (невоспроизводимые), либо используют общие инструменты интеграции, которые игнорируют специфическую семантику электрохимических временных рядов.
Решение: Agentic, Physics-Grounded подход
Команда авторов (Tianwen Zhu, Hao Wang, Yonggang Wen) представила BatteryLake — управляемое озеро данных (data lakehouse), которое превращает сырые публичные данные в готовые к бенчмаркингу активы. Ключевые инновации:
- LLM-агенты: Извлекают метаданные и синтезируют конвертеры для конкретных наборов данных. Каждый вывод агента основан на дословных доказательствах из исходных материалов; если доказательств нет, агент воздерживается от заполнения поля (abstains).
- Human-in-the-loop: Механизм верификации, основанный на «селективном предсказании». Данные пропускаются только после прохождения проверки по 26 правилам: схемы, статистики и физической правдоподобности.
- Открытый бенчмарк: Стандартизированные задачи SOH (State of Health) и RUL (Remaining Useful Life), три протокола разделения данных и восемь семейств базовых моделей.
Масштаб и результаты
Платформа обработала данные из 25+ институтов, создав единый стандарт для 41 набора данных. Это позволяет исследователям сравнивать модели на однородной основе, устраняя шум, вызванный различиями в методологиях сбора данных.
| Параметр | Значение / Описание |
|---|---|
| Количество датасетов | 41 |
| Количество институтов-источников | Более 25 |
| Количество правил верификации | 26 (схема, статистика, физика) |
| Основные задачи | SOH (State of Health), RUL (Remaining Useful Life) |
| Базовые модели | 8 семейств моделей |
| Дата публикации | 6 июля 2026 |
Почему это важно
BatteryLake решает фундаментальную проблему воспроизводимости в AI для энергетики. Используя LLM не как «черный ящик», а как инструмент с жесткой привязкой к физическим законам и исходным данным, исследователи создают инфраструктуру, которая ускоряет разработку более точных алгоритмов прогнозирования срока службы батарей. Платформа, бенчмарк и протокол кураторства доступны публично.
Источник: arXiv cs.AI ↗