Inversion of Electrochemical Immittance Spectra based on the Mellin Transform

技術要約：メリン変換に基づく電気化学インピーダンス・スペクトルの逆変換

問題提起
電気化学インピーダンス分光法（EIS）は、電荷移動、拡散、および界面プロセスを特性評価するための主要なツールである。しかし、EISデータを解釈して基礎となる物理的プロセスやそのタイムスケールを特定することは依然として困難である。標準的なアプローチは、等価回路モデルへのフィッティングに依存しているが、これには回路トポロジーに関する事前知識が必要であり、主観性が導入される。あるいは、緩和時間の分布（DRT）の枠組みは、フレドホルムの第1種積分方程式を介してインピーダンスを時間領域へと写像する。DRTはモデルフリーであるが、有限かつノイズを含む測定から分布関数を復元することは、正則化を必要とする不良設定の逆問題であり、結果を歪ませる可能性がある。さらに、Voigtカーネルに基づく標準的なDRTモデルは、ブロッキング電極（例：電池、スーパーキャパシタ）を持つシステムにおいて、低周波数でインピーダンスが発散するという性質を記述できない。このため、DCT（容量時間分布）やDDT（拡散時間分布）といった拡張が行われてきたが、これらの枠組みは一貫した数学的処理による逆変換手法を欠いていることが多い。

手法
著者らは、DRT、DCT、およびDDTを支配する積分方程式が、共通の数学的構造である**メリン畳み込み（Mellin convolution）**を共有しているという観察に基づき、統一された逆変換フレームワークを提案している。これは、標準的なインピーダンス・カーネル（インピーダンスまたはアドミッタンス）が、$\omega$ と $\tau$ に独立に依存するのではなく、積 $\omega\tau$ に依存することに起因する。

核心となる手法は、デコンボリューション（逆畳み込み）問題をメリン領域へと変換することであり、そこでは畳み込みは点ごとの積となる。手順は以下の4ステップで構成される（図1に示される）：

1. メリン変換： 測定されたインピーダンス関数 $X(j\omega)$ をメリン領域へと変換する。
2. 除算： 変換されたインピーダンスを、当該フレームワークで使用される特定のカーネル（Voigt、容量性、または拡散ベース）のメリン変換で除算する。
3. 引数のシフト： ドメインを整合させるために、複素変数 $s \to 1-s$ のシフトを適用する。
4. 逆メリン変換： 結果を時間領域へと逆変換し、分布関数 $g(\tau)$、$f(\tau)$、または $p(\tau)$ を復元する。

数値実装において、著者らは対数周波数グリッド上での高速フーリエ変換（FFT）アルゴリズムを用いた**高速メリン変換（FMT）**を利用している。ノイズが存在する場合の除算における不良設定性を扱うため、本手法はティホノフ正則化とハン窓（Hann window）を併用し、ギブス現象を抑制するとともにローパス・デノイジング・フィルタとして機能させている。

主な貢献

• 数学的統一： 本論文は、DRT、DCT、およびDDTの枠組みがすべてメリン畳み込みの一種であることを示し、任意のインピーダンス関数に適用可能な単一のスペクトル逆変換公式（式15）を可能にした。
• 厳密な解析的逆変換： 著者らは、解析レベルでの正則化を必要としない、メリン空間における厳密な代数的逆変換公式を導出した。
• 解析的検証： 本フレームワークは、以下の3つの異なるケースに対して解析的に検証されている：
  • 定位相要素（CPE）： DRTおよびDCTの両方の復元を行い、既知のべき乗則分布を得る。
  • デビッドソン・コール（DC）モデル： DRBおよびDCTの復元を行い、有限のサポートを持つ分布を得る。
  • 有限長ワールブルグ（ブロッキング）： DDTの復元を行い、単一の拡散タイムスケールをディラックのデルタ関数として正しく特定する。
• 数値的実装： 堅牢な数値アルゴリズム（アルゴリズム1）が提示されており、ノイズのない条件およびノイズが存在する条件（最大5%のノイズ）の両方において高い精度での分布復元が実証されている。

結果

• 解析的精度： 既知のモデル（CPE、DC、ワールブルグ）において、導出されたメリン逆変換公式は、既知の解析的分布関数を完全に再現する。
• 数値的精度（ノイズなし）： ノイズのないシミュレーション（$N=2^{16}$ サンプル）において、本手法は $10^{-13}$ から $10^{-14}$ のオーダーの相対誤差を達成しており、実質的に倍精度浮動小数点演算の限界に達している。
• ノイズに対する堅牢性： ノイズ条件下（0.1%から5%）では、ティホノフ・ハン安定化が効果的なローパスフィルタとして機能する。復元された分布の点ごとの相対誤差は、タイムスケールの窓の大部分において、入力ノイズレベルを下回っている。
• モデルの復元： 本手法は、DCモデルに関連する急峻なカットオフや特異性、およびCPEのべき乗則挙動を、逆変換の絶対値 $\sigma_h$ が特定の分布の解析的基本帯域内に選択されている限り、正常に復元できる。

意義と主張
本論文は、このアプローチがインピーダンスベースおよびアドミッタンスベースの逆変換を単一のスペクトルフレームワークの下で統一し、異なる電気化学的挙動に対して個別の数学的処理を必要とすることを主張している。インピーダンス・カーネルの固有のメリン畳み込み構造を利用することで、本手法は複雑なデコンボリューション問題を、メリン領域における単純な代数演算へと変換する。著者らは、これがインピーダンス・データから電気化学システムを特性評価するための、新しく厳密なアプローチを提供すると述べている。それは、理想的なケースに対しては厳密な解析解を提供し、実験データに対しては安定かつ高精度な数値的手法を提供するものである。本研究は、メリン変換がこの種の課題に対して「最も自然なスペクトルフレームワーク」であることを強調しており、この構造はこれまでEISの文献において十分に活用されてこなかった。