When Zero-Shot Transfer Fails: Parameter-Efficient Few-Shot Adaptation of a Selective State-Space Battery RUL Model to an Unseen LFP Fleet

बैटरी आधुनिक दुनिया के मौन इंजन हैं, जो इलेक्ट्रिक कारों से लेकर हमारे शहरों को रोशन करने वाले ग्रिड तक, सब कुछ संचालित करती हैं। फिर भी, प्रत्येक बैटरी पैक के भीतर एक मौलिक अनिश्चितता छिपी होती है: अभी कितनी आयु शेष है? शेष उपयोगी जीवन (remaining useful life) की भविष्यवाणी करना सुरक्षा और अर्थशास्त्र के लिए महत्वपूर्ण है, लेकिन यह अत्यंत कठिन है क्योंकि कोई भी दो बैटरियां बिल्कुल एक जैसी उम्र नहीं पातीं। वे अलग-अलग उत्पादन बैचों से पैदा होती हैं, अलग-अलग तापमान में उपयोग की जाती हैं, और चार्जिंग की अलग-अलग आदतों का सामना करती हैं। इसे हल करने के लिए, वैज्ञानिकों ने आर्टिफिशियल इंटेलिजेंस की ओर रुख किया है, कंप्यूटर मॉडल को एक प्रकार की बैटरी के डेटा पर प्रशिक्षित किया है और यह उम्मीद की है कि वे बिना किसी नए प्रशिक्षण के, तुरंत एक पूरी तरह से अलग प्रकार की बैटरी के स्वास्थ्य की भविष्यवाणी कर सकेंगे। यह विचार, जिसे 'जीरो-शॉट ट्रांसफर' (zero-shot transfer) के रूप में जाना जाता है, एक ऐसे भविष्य का वादा करता है जहाँ एक एकल सॉफ्टवेयर अपडेट लाखों विविध बैटरियों का प्रबंधन कर सकेगा। हालाँकि, इस वादे की विश्वसनीयता वास्तविक क्षेत्र की जटिल वास्तविकता में अब तक अनपरीक्षित रही है।

मोतीलाल नेहरू राष्ट्रीय प्रौद्योगिकी संस्थान के शोधकर्ताओं का एक हालिया अध्ययन इस दृष्टिकोण के इर्द-गिर्द व्याप्त आशावाद को चुनौती देता है। टीम ने एक परिष्कृत कंप्यूटर मॉडल लिया, जिसे पहले एक विशिष्ट बैटरी रसायन विज्ञान के जीवनकाल की भविष्यवाणी करने की क्षमता के लिए सराहा गया था, और इसे लिथियम आयरन फॉस्फेट बैटरियों के एक ऐसे बेड़े पर परखा जिसका उसने पहले कभी सामना नहीं किया था। परिणाम एक स्पष्ट विफलता थी। इस नए समूह के 77 बेलनाकार सेल (cylindrical cells) पर लागू होने पर, मॉडल का प्रदर्शन खराब रहा, जिसने लगभग एक-तिहाई बैटरियों के शेष जीवन की भविष्यवाणी केवल औसत अनुमान लगाने से भी बदतर तरीके से की। कई मामलों में, मॉडल इतना गलत था कि इसने एक बुनियादी निरंतर अनुमान (constant guess) की तुलना में कोई मूल्य प्रदान नहीं किया, और इसके विश्वास अंतराल (confidence intervals) भ्रामक रूप से अत्यधिक निश्चितता का संकेत दे रहे थे, जबकि वास्तव में यह आधे से अधिक समय गलत था।

शोधकर्ताओं ने केवल इस विफलता का दस्तावेजीकरण ही नहीं किया; उन्होंने यह समझने की भी कोशिश की कि इसे ठीक करने के लिए कितने प्रयास की आवश्यकता है। पूरे विशाल मॉडल को शुरू से फिर से प्रशिक्षित करने के बजाय, जो धीमा और महंगा होता, उन्होंने 'पैरामीटर-एफिशिएंट अडैप्टेशन' (parameter-efficient adaptation) नामक एक तकनीक का परीक्षण किया। यह दृष्टिकोण एक कार के मुख्य इंजन को बरकरार रखते हुए केवल स्टीयरिंग और सस्पेंशन को एक नई सड़क के अनुकूल ढालने जैसा है। उन्होंने मॉडल के मुख्य भाग को स्थिर रखा और केवल इसके आंतरिक सेटिंग्स के एक बहुत छोटे हिस्से—लगभग दस प्रतिशत—को बदलने की अनुमति दी, जिसमें केवल 61 नई बैटरियों का डेटा उपयोग किया गया। इस छोटे से समायोजन ने, एक विशिष्ट तरीके से अंतिम उत्तर की गणना के साथ मिलकर, प्रणाली को बदल दिया। वही मॉडल जो पहले विफल हो गया था, अब शेष अनदेखी बैटरियों के जीवनकाल की उच्च सटीकता के साथ भविष्यवाणी करने में सक्षम था, यह सुनिश्चित करते हुए कि किसी भी एकल सेल के लिए नकारात्मक या असंभव शेष जीवन की भविष्यवाणी न की जाए।

उनकी खोज का एक महत्वपूर्ण हिस्सा यह था कि अंतिम संख्याएँ कैसे गिनी गईं। मॉडल को शेष जीवन के अंश (fraction) की भविष्यवाणी करने के लिए प्रशिक्षित किया गया था, जो शून्य और एक के बीच की संख्या है, न कि बचे हुए चक्रों (cycles) की विशिष्ट संख्या। उस अंश को चक्रों की ठोस संख्या में बदलने के लिए, शोधकर्ताओं को बैटरी के कुल जीवनकाल के अनुमान से भाग देना पड़ा। उन्होंने इस अनुमान के लिए तीन अलग-अलग तरीकों का परीक्षण किया। एक विधि ने बैटरी के वास्तविक, अंतिम जीवनकाल का उपयोग किया, जो बैटरी के मरने तक ज्ञात होना असंभव है; इसने लगभग पूर्ण स्कोर दिया लेकिन वास्तविक दुनिया के उपयोग के लिए यह बेकार था। दूसरे ने प्रशिक्षण डेटा के आधार पर एक निश्चित औसत का उपयोग किया, जिससे स्कोर में सुधार हुआ लेकिन फिर भी यह कुछ बाहरी मामलों (outliers) के लिए विफल रहा। तीसरे तरीके ने, जिसे उन्होंने वास्तविक तैनाती के लिए एकमात्र उपयुक्त माना, केवल उस समय तक उपलब्ध डेटा के आधार पर एक सख्त 'कॉज़ल प्रोजेक्शन' (causal projection) का उपयोग किया। इस यथार्थवादी स्थिति के तहत, अनुकूलित मॉडल ने सफलता की एक ठोस दर हासिल की, जिससे यह सिद्ध हुआ कि हालांकि मॉडल जादुई रूप से सामान्यीकरण (generalize) नहीं कर सकता, लेकिन इसे नए बेड़े पर काम करने के लिए तेजी से और सस्ते में ट्यून किया जा सकता है।

अध्ययन ने यह भी खुलासा किया कि मॉडल के अनिश्चितता अनुमान उतने ही त्रुटिपूर्ण थे जितने कि उसके अनुमान। अनुकूलन से पहले, सिस्टम अपने उत्तरों में 90 प्रतिशत आश्वस्त होने का दावा करता था, लेकिन वास्तव में, यह केवल 41 प्रतिशत बार सही था। नए बेड़े पर छोटे समायोजन और पुनर्मूल्यांकन के बाद, सिस्टम रूढ़िवादी और विश्वसनीय हो गया, जो 99.5 प्रतिशत समय वास्तविक जीवनकाल को कवर करता था। खतरनाक अति-आत्मविश्वास से सुरक्षित सावधानी की ओर यह बदलाव उन ऑपरेटरों के लिए महत्वपूर्ण है जो विफलताओं को रोकने के लिए इन भविष्यवाणियों पर भरोसा करते हैं। शोधकर्ताओं ने निष्कर्ष निकाला कि बिना किसी समायोजन के सभी बैटरी प्रकारों पर काम करने वाला एक एकल मॉडल बनाने का सपना संभवतः एक मिथक है। इसके बजाय, सबसे व्यावहारिक मार्ग प्रत्येक नए बेड़े के लिए एक छोटा, लक्षित अंशांकन (calibration) काल है, जो उन सुरक्षा-महत्वपूर्ण प्रणालियों के लिए आवश्यक विश्वसनीयता प्राप्त करने हेतु एक छोटी सी कीमत है।