BatteryLake: Agentic, Physics-Grounded Curation of Heterogeneous Battery Aging Data and Benchmarking

Resumen Técnico: BatteryLake

Declaración del Problema
Los conjuntos de datos públicos sobre el envejecimiento de baterías son fundamentales para el avance de la gestión de la salud de las baterías (estimación de SOH y predicción de RUL), sin embargo, su utilidad práctica se ve severamente limitada por una deficiente ingeniería de datos. A pesar de la existencia de millones de ciclos de carga y descarga en docenas de repositorios, tres barreras estructurales impiden la investigación reproducible a gran escala:

1. Heterogeneidad de Formatos y Esquemas: Los datos brutos llegan en diversos formatos (CSV, MATLAB, HDF5, exportaciones de cicladoras propietarias) con unidades inconsistentes, convenciones de signos conflictivas para la corriente y docenas de alias para una misma medición física.
2. Dispersión de Metadatos: Los hechos esenciales que definen el experimento (química, capacidad, protocolos, temperatura) rara vez están incrustados en los archivos de datos, sino que se encuentran dispersos en páginas de aterrizaje, READMEs y artículos complementarios, lo que requiere una recuperación manual.
3. No Reproducibilidad de los Benchmarks: Los estudios emplean diferentes rutinas de procesamiento, métodos de segmentación de ciclos y divisiones de entrenamiento/prueba, lo que dificulta la comparación directa y la reproducción de los modelos.

Si bien los Modelos de Lenguaje de Gran Escala (LLMs) ofrecen potencial para la automatización, su aplicación ingenua introduce un modo de fallo crítico: la fabricación plausible de metadatos (alucinación), que corrompe silenciosamente el análisis posterior. Las herramientas de integración de datos existentes carecen de la semántica física específica al dominio necesaria para desambiguar las señales de las baterías.

Metodología: El Marco de Trabajo BatteryLake
Los autores proponen BatteryLake, un lakehouse gobernado y un benchmark que automatiza la curación de datos heterogéneos de baterías mediante un marco basado en agentes y fundamentado en evidencia. El sistema opera sobre tres pilares centrales:

1. Extracción Fundamentada en Evidencia con Abstención Explícita:

   • Extracción de Dos Etapas Clasificada por Procedencia: Un agente de LLM extrae metadatos de páginas fuente (ej. Zenodo, GitHub) y artículos complementarios según el orden de autoridad.
   • Fundamentación Verbatim: Cada valor extraído debe estar respaldado por una cita textual (verbatim) del texto fuente. Si la evidencia no está disponible, el agente debe abstenerse (devolviendo "no declarado") en lugar de imputar valores basados en el conocimiento del mundo.
   • Resolución de Conflictos: Los conflictos entre fuentes se presentan a revisores humanos en lugar de resolverse silenciosamente.

2. Síntesis de Convertidores Agénticos con Reparación Guiada por Validación:

   • Clasificación de Roles y Mapeo: Los agentes clasifican los roles de los archivos (medición vs. metadatos) y sintetizan mapeos de esquemas fundamentados en encabezados, unidades y estadísticas de valores.
   • Bucle Generar-Validar-Reparar: El agente sintetiza un programa convertidor específico para el conjunto de datos. Este programa se ejecuta localmente en la máquina del contribuyente, y su salida se verifica contra un validador legible por máquina. Si la salida falla, el informe de error se devuelve al agente para reparar el convertidor. Este bucle se repite hasta $k$ veces.
   • Ejecución Local: Los datos brutos nunca salen de la máquina del contribuyente, preservando la privacidad y las restricciones de licencia.

3. Verificación Humana Selectiva y Validación Física:

   • Predicción Selectiva: La revisión humana se enmarca como un problema de predicción selectiva. Las decisiones con puntuaciones de confianza altas se aceptan automáticamente, mientras que las extracciones de baja confianza se derivan a expertos en el dominio. El sistema intercambia cobertura automática frente al riesgo de error residual.
   • Puerta de Validación de la Regla de 26: Los datos admitidos deben pasar por una puerta que cubre cuatro dimensiones:
     • Validez: Cumplimiento de esquema e integridad de claves.
     • Completitud: Cobertura de canales y ciclos requeridos.
     • Consistencia: Marcas de tiempo monótonas y convenciones de signo.
     • Exactitud (Plausibilidad Física): Restricciones electroquímicas, tales como límites de voltaje, rangos de eficiencia de Coulomb ($95\%-105\%$) y trayectorias de degradación de capacidad no crecientes.

Contribuciones Clave

• Formalización del Problema: El artículo formaliza la incorporación de conjuntos de datos de baterías como extracción estructurada fundamentada en evidencia con abstención, y mapeo de esquemas con síntesis de programas convertidores. Plantea la revisión humana como una predicción selectiva con un objetivo explícito de riesgo-cobertura.
• Marco de Curación Agéntica: Un algoritmo de extracción de dos etapas y un bucle de generar-validar-reparar para la síntesis de convertidores, gobernado por una puerta de validación de 26 reglas que incluye comprobaciones de plausibilidad física.
• Lakehouse Gobernado y Benchmark Abierto: El lanzamiento de un modelo de datos canónico de cuatro capas (Metadatos, Celda, Resumen de Ciclo, Serie Temporal) y un benchmark que comprende 41 conjuntos de datos curados de más de 25 instituciones.
  • Alcance: Cubre diversas químicas (LFP, NMC, LCO, NCA), factores de forma (18650, 21700, pouch, prismática) y regímenes de envejecimiento (ciclo, ciclo de conducción, impedancia, calendario, abuso térmico).
  • Estandarización: Incluye tareas estandarizadas de SOH/RUL, tres protocolos de división (aleatorio, temporal, entre celdas) y ocho familias de modelos base (Lineal, RF, XGBoost, MLP, CNN, LSTM, Transformer, PINN).

Resultos y Entregables
La plataforma alberga actualmente 41 conjuntos de datos registrados, con 12 conjuntos de datos totalmente curados que contienen aproximadamente 720 celdas y 323,000 ciclos de carga-descarga (9.5 GB de datos). El proceso de curación asegura que cada conjunto de datos admitido posea evidencia de curación verificable por máquina, alineándose con los principios FAIR. El benchmark proporciona paquetes de entrenamiento reproducibles que fijan configuraciones, semillas y divisiones de datos, permitiendo una comparación justa entre las ocho familias de modelos base.

Significancia
El artículo argumenta que la curación de datos científicos confiable a escala requiere acoplar la flexibilidad de los LLM con salvaguardas específicas: fundamentación en evidencia con abstención, verificación humana selectiva y validación física ejecutable. BatteryLake aborda un patrón general en la ingeniería de datos científicos: convertir la "larga cola" de conjuntos de datos pequeños, heterogéneos y subdocumentados en colecciones gobernadas y listas para el análisis. Al reemplazar la confianza en humanos o modelos por un flujo de trabajo auditable donde el riesgo residual es medible y ajustable, el marco ofrece un modelo para gobernar datos científicos más allá del dominio de las baterías. Los autores posicionan a BatteryLake no solo como un conjunto de datos, sino como un sistema que permite una investigación de baterías reproducible, fiable y abiertamente compartible.