Physics-informed distribution of relaxation times estimation and latent-space condition monitoring of solid oxide fuel and electrolysis cells from electrochemical impedance spectroscopy

技術要約：物理情報に基づく緩和時間分布の推定および潜在空間による状態監視

問題提起
電気化学インピーダンス分光法（EIS）データから緩和時間分布（DRT）を推定することは、不良設定（ill-posed）な逆問題である。インピーダンス $Z(j\omega)$ と DRT 関数 $g(\log \tau)$ の関係は、インピーダンスの積分方程式（式1）によって支配されており、この関係は測定ノイズや正則化の選択に対して非常に敏感である。等価回路モデル（ECM）のような従来の手法は、分数次系のシステムにおいては定義が困難な特定の事前仮定を必要とする。DRT はモデルフリーで連続的な緩和プロセスの表現を提供するが、その抽出には正則化が必要となる。Deep Prior ネットワークのような既存のデータ駆動型アプローチは、スペクトルごとに個別のモデルを訓練することが多く、一貫性のない暗黙的な正則化をもたらす。これにより、真の電気化学的な変化とフィッティングのアーティファクトを区別することが困難になる。さらに、多くの潜在空間アプローチは、DRT 変換を独立した前処理ステップまたはブラックボックス的な特徴抽出器として扱っており、支配的な物理法則を学習目的関数に直接組み込むことに失敗している。

手法
著者らは、生の EIS データ（実部および虚部のインピーダンス成分）から、スペクトルごとのチューニングを行うことなく直接 DRT を推定する、**物理情報に基づく畳み込みニューラルネットワーク（CNN）**フレームワークを提案している。

• アーキテクチャ: モデルはエンコーダ・デコーダ型の CNN 構造を利用する。入力は、2つのチャネルとして扱われるインピーダンススペクトルの実部と虚部からなる。ネットワークは DRT 関数 $g(\log \tau)$ を出力する。
• 物理情報に基づく制約: 標準的なオートエンコーダが入力自体を直接再構成するのとは異なり、本フレームワークは、支配的な積分関係（式1）の離散化された形式を学習ループに組み込んでいる。予測された DRT は、インピーダンス $\hat{Z}$ を再構成するために数値積分（台形則を使用）される。損失関数は、実測インピーダンスと再構成されたインピーダンスの間の平均二乗誤差（MSE）と、誘導性寄与に対する $L_2$ ペナルティの和である。これにより、ネットワークは物理的に整合性のある DRT を学習するように強制される。
• 補助コンポーネント: 別のブランチが直列抵抗 $R_s$ を予測し、学習可能なパラメータがインダクタンス $L$ を表す。
• アーキテクチャの最適化: 転置畳み込みで一般的なチェッカーボード・アーティファクトを防ぐため、デコーダはアップサンプリング層の後に標準的な畳み込みを使用している。グリッドサーチにより、約12,000個のパラメータ、受容野57、ボトルネックサイズ160を持つ最適なアーキテクチャが決定された。このバランスにより、過学習を防ぎつつ、重なり合う緩和プロセスを解像することができる。
• 潜在空間解析: 学習後、エンコーダはコンパクトな潜在表現を生成する。著者らは、個々の潜在チャネルを活性化させて特定の緩和時間領域にマッピングする「デコーダ・プローブ」解析を行い、潜在空間がタイムスケールに基づいて階層的に組織化されていることを明らかにした。

主な貢献

1. 統合された物理情報に基づくフレームワーク: 本論文は、データセット全体に対して共有の潜在表現を学習し、一貫した正則化を強制する単一の CNN アーキテクチャを導入している。これは、各スペクトルに対して独立したモデルを適合させる手法とは対照的であり、推定された DRT の差異がフィッティングのアーティファクトではなく、真の電気化学的な変化を反映することを保証する。
2. チューニングなしの直接的な DRT 推定: 本モデルは、手動の正則化パラメータ選択、周波数帯域のセグメンテーション、または等価回路の仮定を必要とせず、生の EIS データから直接 DRT を推定する。
3. 解釈可能な潜在空間: 本研究は、学習された潜在空間が緩和タイムスケールに従って自発的に組織化されることを示している。デコーダ・プローブ解析により、特定の潜在チャネルが緩和時間の軸の異なる領域に対応していることが確認され、監視のための物理的に解釈可能な基盤を提供している。
4. 多様な条件下での汎用性: 本フレームワークは、動作レジーム、劣化メカニズム、およびキャンペーン期間（60〜3600時間）が異なる固体酸化物燃料電池（SOFC）および固体酸化物電解セル（SOEC）を含む3つの独立したデータセットに対して検証された。修正されていない同一のアーキテクチャがすべてのデータセットに適用された。

結果

• 再構成精度: モデルはすべてのデータセットにおいて範囲正規化された再構成誤差1.1%未満を達成し、予測された DRT が基礎となる電気化学的制約を満たしていることを確認した。
• 重なり合うプロセスの解像: 解析的に既知の DRT を持つ合成の 2-ZARC スペクトルにおいて、モデルはガウスノイズ（$\sigma = 0.5 \, \Omega$）が存在する場合でも、時定数がわずか 1 デケードしか離れていない重なり合う緩和プロセスを正常に解像した。
• 状態監視:
  • SOFC スタック監視キャンペーンにおいて、潜在空間におけるユークリッド距離（$D_{ref}(t)$）は、燃料飢餓、緊急停止、電力損失を含む主要な運用イベントを特定することに成功し、距離指標のピークは既知のイベントと一致した。
  • 動作条件の研究において、潜在活性の変化は、元の研究における周波数分解カルバック・ライブラー（KL）ダイバージェンス解析によって特定された遷移と一致しており、拡散損失や空気電極の変化を検出した。
  • 多レジーム劣化キャンペーンにおいて、潜在空間の軌跡は、劣化フェーズ（蒸気電解、共電解、可逆動作）の進化を捉え、フェーズごとの DRT 診断で観察された傾向と一致した。
• 既存手法との比較: チコノフ正則化およびスペクトルごとのニューラルネットワークと比較して、提案手法は、変動する正則化強度による急激な遷移を回避し、より滑らかで連続的な DRT の時間的進化を実現した。

意義と主張
本論文の主な意義は、単なる再構成精度にあるのではなく、単一の統一モデルから物理的に一貫し、解釈可能な潜在表現が出現することにあると著者らは主張している。物理的なフォワードモデルを学習プロセスに組み込むことで、本フレームワークは、大規模な EIS 診断における歴史的なボトルネックであった手動の前処理パイプライン（正則化のチューニング、回路選択）を排除する。

著者らは、このアプローチが、データセット固有の再設計を行うことなく、根本的に異なるセルタイプ、動作レジーム、および劣化メカニズムに汎用できる「軽量」かつ「完全に再現可能」なソリューションを提供すると断言している。潜在空間は状態監視のための直接的な副産物として機能し、不均衡最適輸送（UOT）や KL ダイバージェンスのような複雑な DRT 比較指標に代わる、計算効率の高い手段を提供しながら、劣化や動作のアノマリーを高精度に検出する能力を維持している。