World Model for Battery Degradation Prediction Under Non-Stationary Aging

Each language version is independently generated for its own context, not a direct translation.

🚗 1. 문제: 기존 방식은 "평균적인 미래"만 그렸다

기존의 배터리 수명 예측 AI 는 마치 **"과거 100 일간의 날씨를 보고 내일 날씨를 예측하는 사람"**과 같았습니다.

방식: "어제 비가 왔으니 오늘도 비가 올 것이다"라고 단순히 과거 데이터의 흐름을 이어갔습니다.
한계: 배터리는 나이가 들면 갑자기 급격하게 망가질 수도 있습니다 (이를 '무릎 구간'이라고 부릅니다). 하지만 기존 AI 는 "평균적으로 조금씩 나빠지겠지"라고만 생각해서, 갑자기 수명이 급감하는 시점을 놓치거나 예측을 못 했습니다.

🧠 2. 해결책: "세계 모델 (World Model)"이라는 새로운 사고방식

이 논문은 배터리를 단순한 데이터가 아니라, **자신의 미래를 상상할 수 있는 '생각하는 존재'**로 보았습니다. 이를 **세계 모델 (World Model)**이라고 부릅니다.

비유: 배터리를 운전하는 자동차라고 상상해 보세요.
- 기존 AI: "지금 속도가 60km 라서, 다음 10 분 뒤에도 60km 일 거야"라고 계산합니다.
- 이 논문의 AI (세계 모델): "지금 연료가 부족하고 엔진이 뜨거워. 만약 이대로 가면 10 분 뒤엔 속도가 떨어지고, 20 분 뒤엔 멈출지도 몰라."라고 내부 상태를 시뮬레이션하며 미래를 그려냅니다.

⚙️ 3. 어떻게 작동할까요? (세 가지 핵심 기술)

① 숨겨진 상태 (Latent State) = "배터리의 건강 상태 카드"

배터리는 전압, 전류, 온도 등 복잡한 데이터를 쏟아냅니다. 이 AI 는 이 복잡한 데이터를 한 장의 **'건강 상태 카드'**로 요약합니다.

비유: 복잡한 병원 검사 결과 (혈압, 혈당, 심전도 등) 를 보고 의사가 "환자의 현재 건강 상태는 80 점이야"라고 한 문장으로 요약하는 것과 같습니다.

② 반복 시뮬레이션 (Rollout) = "미래를 미리 체험하기"

이 AI 는 단순히 현재 상태를 보고 끝나는 게 아니라, **"만약 100 번 더 충전하면 어떻게 될까?"**라고 스스로 반복해서 시뮬레이션합니다.

비유: 체스 선수가 "내가 이 수를 두면 상대방은 어떻게 반응하고, 그다음엔 내가 어떻게 해야 할까?"라고 수십 수 앞을 미리 두어보는 것과 같습니다.
결과: 이 방식은 기존 방식보다 예측 오차를 절반으로 줄였습니다. 특히 배터리가 갑자기 나빠지는 시점 (무릎 구간) 을 훨씬 정확하게 잡아냈습니다.

③ 물리 법칙의 규칙 (Physics Constraint) = "자연의 법칙을 어기지 않기"

배터리는 시간이 지날수록 절대로 좋아지지 않습니다. (되돌릴 수 없는 노화). 하지만 AI 가 실수로 "내일 배터리가 더 좋아지겠지"라고 예측할 수도 있습니다.

비유: AI 에게 **"배터리는 시간이 지날수록 무조건 나빠져야 해. 좋아지는 건 불가능해!"**라고 엄격한 규칙을 가르쳐 준 것입니다.
효과: 이 규칙 덕분에 배터리가 급격히 망가지는 시점 (무릎 구간) 에서의 예측이 훨씬 정확해졌습니다. 다만, 너무 늦은 단계에서는 오히려 규칙이 방해가 될 수도 있었습니다.

🔄 4. 실험 결과: 무엇을 배웠나요?

시뮬레이션이 핵심입니다: 단순히 과거 데이터를 보고 미래를 그리는 것보다, **"내부 상태를 시뮬레이션하며 미래를 상상하는 것"**이 훨씬 정확했습니다.
물리 법칙은 양날의 검입니다: 배터리가 급격히 나빠지는 시점에는 물리 법칙 (나빠져야 한다) 을 적용하는 게 좋았지만, 너무 오래된 배터리에서는 오히려 정확도를 떨어뜨리기도 했습니다.
새로운 데이터는 항상 도움이 되지 않습니다: 배터리를 만드는 공장이 바뀌어도 (새로운 배치), 배터리의 종류와 사용법이 같다면 새로운 데이터를 따로따로 학습시키는 것보다 한꺼번에 학습하는 게 더 좋습니다. (기존에 배운 것을 잊어버리게 만드는 'EWC'라는 기술은 이 경우엔 쓸모가 없었습니다.)

💡 5. 결론: 왜 이 연구가 중요할까요?

이 연구는 배터리가 **"나이가 들면 어떻게 변할지 스스로 상상할 수 있는 AI"**를 만들었습니다.

일상적인 의미: 전기차나 스마트폰을 쓸 때, "아직 2 년 더 쓸 수 있겠네"라고 막연히 예상하는 게 아니라, **"다음 달부터는 배터리가 급격히 닳을 테니 미리 교체 준비를 해야겠다"**라고 정확히 알려줄 수 있게 됩니다.
핵심 메시지: 미래를 예측할 때는 단순히 과거를 반복하는 게 아니라, 물리 법칙을 따르며 미래를 시뮬레이션하는 능력이 가장 중요합니다.

이 기술이 발전하면, 우리가 전기를 아끼고 배터리를 더 오래, 더 안전하게 사용할 수 있는 길이 열릴 것입니다.

Each language version is independently generated for its own context, not a direct translation.

1. 연구 배경 및 문제 정의 (Problem)

배경: 리튬이온 배터리의 수명 예측 (SOH, State of Health) 은 향후 사이클에서의 열화 궤적을 예측하는 것이 핵심입니다. 기존 데이터 기반 접근법 (LSTM, GRU, Transformer 등) 은 학습된 표현을 통해 직접 회귀 (Direct Regression) 방식으로 궤적을 생성할 수 있으나, 시간에 따라 열화 역학을 전파 (propagate) 하는 메커니즘이 부재합니다.
문제점: 기존 모델들은 모든 예측 구간 (Horizon) 에 대해 균일하게 적용되는 평균적인 기울기 (average slope) 를 학습하는 경향이 있어, 실제 열화 과정의 비선형적 변화 (특히 '무릎' 구간) 를 정확히 반영하지 못합니다.
목표: 배터리의 열화 과정을 월드 모델 (World Model) 문제로 재정의하여, 현재 상태와 작동 조건을 기반으로 잠재 상태 (Latent State) 를 학습하고 이를 미래로 전파하여 80 사이클에 걸친 SOH 궤적을 생성하는 모델을 개발하는 것입니다.

2. 방법론 (Methodology)

2.1 아키텍처: 월드 모델 기반 구조

제안된 모델은 입력 데이터를 인코딩하고, 학습된 역학을 통해 미래 상태를 전파하며, 디코더를 통해 SOH 를 출력하는 4 단계 구조를 가집니다.

사이클 인코더 (Cycle Encoder): 각 사이클의 원시 전압, 전류, 온도 시계열 데이터 (약 1000 타임스텝) 를 1 차원 CNN 을 통해 처리하여 고정 크기의 임베딩 ( $e^{(k)}$ ) 으로 변환합니다.
PatchTST 인코더: 30 개 사이클의 임베딩 시퀀스를 패치 (Patch) 단위로 나누고 Transformer 인코더를 적용하여, 현재 시점의 잠재 열화 상태 (Latent Degradation State, $z^{(k)}$ ) 를 추출합니다.
역학 전이 (Dynamics Transition): 현재 상태 $z^{(k)}$ $z^{(k)}$ 와 충전 전류 등의 작동 조건 $u^{(k)}$ $u^{(k)}$ 를 입력받아 다음 상태 $z^{(k+1)}$ $z^{(k + 1)}$ 를 예측합니다.
- 잔차 연결 (Residual Connection) 을 사용하여 열화가 연속적인 과정임을 반영합니다.
- 이 과정을 80 사이클 ( $H=80$ ) 에 대해 반복 (Iterative Rollout) 하여 미래 잠재 상태 시퀀스를 생성합니다.
출력 헤드 (Output Head): 생성된 각 미래 상태에 대해 공유 디코더 (MLP) 를 적용하여 미래 SOH 궤적을 출력합니다.

2.2 학습 목적 함수 및 물리 제약

전체 손실 함수는 데이터 손실, 물리 제약 손실, EWC 손실의 합으로 구성됩니다.

데이터 손실 ( $L_{data}$ ): 현재 SOH 및 미래 궤적에 대한 MSE.
물리 제약 ( $L_{phys}$ ): 열화 역학에 대한 물리 법칙을 소프트 페널티로 적용합니다.
- 단조성 손실 (Monotonicity): SOH 는 정상 사이클링 하에서 비가역적이므로 감소해야 함을 강제합니다.
- 저항 -SOH 일관성: 단일 입자 모델 (SPM) 에 기반하여 내부 저항 증가와 SOH 감소 간의 멱함수 관계를 준수하도록 합니다.
- 전압 일관성: 관측된 전류와 저항에 대한 단자 전압의 일관성을 검증합니다.
지속 학습 (EWC): 제조 배치 간 순차 학습 시 이전 지식을 보존하기 위해 탄성 가중치 통합 (Elastic Weight Consolidation) 을 적용했으나, 본 연구에서는 배치 간 데이터 분포가 동일하여 효과가 제한적이었습니다.

3. 주요 실험 설정

데이터셋: Severson et al. 의 LiFePO4 (LFP) 배터리 데이터셋 (138 개 셀, 3 개 제조 배치).
입력: 30 개 사이클의 전압/전류/온도 시계열.
목표: 현재 SOH 및 향후 80 사이클의 SOH 궤적 예측.
비교 모델:
1. PIWM: 물리 제약이 적용된 월드 모델 (Rollout + Physics).
2. WM: 물리 제약이 없는 월드 모델 (Rollout only).
3. CNN-PatchTST: 월드 모델 역학 없이 직접 회귀만 수행 (Rollout 제거).
4. LSTM: 기존 순환 신경망 기반 베이스라인.
5. PIWM + EWC: 제조 배치별 순차 학습 시나리오.

4. 주요 결과 (Results)

4.1 아키텍처 분석 (Rollout 의 중요성)

예측 정확도 향상: 역학 전이 (Rollout) 를 사용하는 모델 (PIWM, WM) 은 직접 회귀 모델 (CNN-PatchTST) 보다 단기 예측 (5 사이클) 에서 오차를 약 50% 감소시켰습니다 (MAE 0.0067 vs 0.0136).
잠재 공간 구조: PCA 분석 결과, Rollout 모델은 모든 셀을 SOH 순서대로 정렬된 단일 연결된 곡선 (Unified Curve) 으로 압축하는 반면, Rollout 없는 모델은 셀별 고유의 줄기 (Strands) 를 유지하여 공유된 열화 역학을 학습하지 못했습니다.
오차 패턴: Rollout 모델은 예측 구간이 길어질수록 오차가 증가하는 전형적인 반복 예측 특성을 보인 반면, 직접 회귀 모델은 모든 구간에서 평탄한 오차를 보여 평균 기울기만 학습했음을 시사합니다.

4.2 물리 제약의 효과

무릎 (Knee) 구간 개선: 물리 제약 (단조성 등) 은 열화가 가속화되는 '무릎' 구간 (SOH 0.95~0.90) 에서 예측 정확도를 높였습니다 (Stage 2 MAE: WM 0.0098 → PIWM 0.0080).
한계: 물리 제약은 후기 열화 구간 (Stage 3) 에서 과적합 (Over-regularization) 을 유발하여 오히려 오차를 증가시켰으며, 전체적인 집계 정확도 (Aggregate MAE) 는 두 모델 간 차이가 없었습니다.

4.3 지속 학습 (Continual Learning) 및 EWC

비효율성: 동일한 데이터 분포 (동일한 화학, 제조 공정) 를 가진 배치 간 순차 학습 시, EWC 를 적용한 모델 (PIWM + EWC) 은 전체 학습 (Joint Training) 대비 오차가 3.3 배 증가했습니다.
원인: 데이터 분포가 동일할 때 '재앙적 망각 (Catastrophic Forgetting)'이 발생하지 않기 때문에, EWC 의 가중치 고정 메커니즘이 오히려 학습을 방해했습니다. Fisher 정보량이 수렴 후 0 에 가까워져 EWC 가 기능하지 않았음을 확인했습니다.

5. 기여 및 의의 (Contributions & Significance)

배터리 열화 예측을 위한 월드 모델 프레임워크 정립: 배터리 SOH 예측을 단순 회귀 문제가 아닌, 잠재 역학을 전파하는 월드 모델 문제로 재정의하여, 반복적 잠재 상태 전파 (Iterative Latent Rollout) 가 단기 및 장기 궤적 예측의 핵심임을 증명했습니다.
물리 정보 기반 정규화의 한계와 가능성: 물리 제약이 열화의 비가역성 (무릎 구간) 을 학습하는 데 도움을 주지만, 과도한 제약은 다른 구간에서 성능을 저하시킬 수 있음을 실증했습니다. 이는 물리 정보와 데이터 기반 학습의 균형적 통합 필요성을 시사합니다.
지속 학습의 조건 명확화: 배터리 제조 배치 간 데이터 분포가 동일할 경우, 순차 학습보다 전체 데이터의 동시 학습 (Joint Training) 이 우월하며, EWC 와 같은 지속 학습 기법은 서로 다른 분포 (예: 다른 화학 성분) 를 가진 데이터가 순차적으로 들어올 때만 유효함을 밝혔습니다.
실용적 인사이트: 원시 시계열 데이터 (전압, 전류, 온도) 를 직접 처리하여 셀별 고유 특성을 제거하고 보편적인 열화 궤적을 학습하는 아키텍처가, 단순 요약 통계나 기존 RNN 모델보다 우수한 성능을 보임을 입증했습니다.

6. 결론

본 논문은 배터리 열화 예측에 월드 모델 아키텍처를 성공적으로 적용하여, 역학적 전파 (Rollout) 가 예측 정확도를 획기적으로 높인다는 것을 입증했습니다. 특히 물리 제약은 열화 가속 구간에서 유용하지만, 데이터 분포가 동일한 경우 지속 학습 기법은 불필요함을 보여주었습니다. 향후 연구에서는 물리 제약의 동적 조정, 다양한 배터리 화학 물질로의 확장, 그리고 이질적인 배터리 군집에 대한 지속 학습 연구가 필요하다고 제언합니다.