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

Resumo Técnico: BatteryLake

Declaração do Problema
Conjuntos de dados públicos de envelhecimento de baterias são críticos para o avanço da gestão de saúde de baterias (estimativa de SOH e previsão de RUL), mas sua utilidade prática é severamente limitada por uma má engenharia de dados. Apesar da existência de milhões de ciclos de carga e descarga em dezenas de repositórios, três barreiras estruturais impedem a pesquisa em larga escala e reprodutível:

1. Heterogeneidade de Formato e Esquema: Os dados brutos chegam em diversos formatos (CSV, MATLAB, HDF5, exportações proprietárias de cicladoras) com unidades inconsistentes, convenções de sinais conflitantes para corrente e dezenas de apelidos para a mesma medição física.
2. Dispersão de Metadados: Fatos essenciais que definem o experimento (química, capacidade, protocolos, temperatura) raramente estão incorporados nos arquivos de dados, estando, em vez disso, espalhados por páginas de destino, READMEs e artigos complementares, exigindo recuperação manual.
3. Não Reprodutibilidade de Benchmarks: Estudos empregam diferentes rotinas de parsing, métodos de segmentação de ciclos e divisões de treino/teste, tornando difícil a comparação direta ou a reprodução de modelos.

Embora os Grandes Modelos de Linguagem (LLMs) ofereçam potencial para automação, sua aplicação ingênua introduz um modo de falha crítico: a fabricação plausível de metadados (alucinação), que corrompe silenciosamente a análise subsequente. As ferramentas de integração de dados existentes carecem da semântica física específica ao domínio necessária para desambiguar sinais de baterias.

Metodologia: O Framework BatteryLake
Os autores propõem o BatteryLake, um lakehouse governado e um benchmark que automatiza a curadoria de dados de bateria heterogêneos através de um framework agêntico baseado em evidências. O sistema opera sobre três pilares centrais:

1. Extração Baseada em Evidências com Abstenção Explícita:

   • Extração de Duas Etapas com Classificação de Proveniência: Um agente de LLM extrai metadados de páginas de origem (ex: Zenodo, GitHub) e artigos complementares em ordem de autoridade.
   • Fundamentação Verbatim: Cada valor extraído deve ser suportado por uma citação literal (verbatim) da fonte de texto. Se a evidência não estiver disponível, o agente deve se abster (retornando "não declarado") em vez de imputar valores baseados em conhecimento de mundo.
   • Resolução de Conflitos: Conflitos entre fontes são expostos a revisores humanos em vez de serem resolvidos silenciosamente.

2. Síntese de Conversor Agêntico com Reparo Guiado por Validação:

   • Classificação de Papéis e Mapeamento: Agentes classificam papéis de arquivos (medição vs. metadados) e sintetizam mapeamentos de esquema fundamentados em cabeçalhos, unidades e estatísticas de valores.
   • Loop Gerar-Validar-Reparar: O agente sintetiza um programa conversor específico para o conjunto de dados. Este programa é executado localmente na máquina do contribuidor, e sua saída é verificada contra um validador legível por máquina. Se a saída falhar, o relatório de erro é enviado de volta ao agente para reparar o conversor. Este loop se repete até $k$ vezes.
   • Execução Local: Os dados brutos nunca deixam a máquina do contribuidor, preservando a privacidade e as restrições de licenciamento.

3. Verificação Humana Seletiva e Validação Física:

   • Predição Seletiva: A revisão humana é formulada como um problema de predição seletiva. Decisões com pontuações de confiança altas são aceitas automaticamente, enquanto extrações de baixa confiança são encaminhadas a especialistas do domínio. O sistema faz uma troca entre cobertura automática e risco de erro residual.
   • Portão de Validação das 26 Regras: Os dados admitidos devem passar por um portão cobrindo quatro dimensões:
     • Validade: Conformidade de esquema e integridade de chaves.
     • Completude: Cobertura de canais e ciclos necessários.
     • Consistência: Timestamps monotônicos e convenções de sinal.
     • Acurácia (Plausibilidade Física): Restrições eletroquímicas, como limites de voltagem, intervalos de eficiência coulômbica ($95\%-105\%$) e trajetórias de queda de capacidade não crescentes.

Principais Contribuições

• Formalização do Problema: O artigo formaliza o onboarding de conjuntos de dados de bateria como extração estruturada baseada em evidências com abstenção e mapeamento de esquema com síntese de programa conversor. Ele aborda a revisão humana como predição seletiva com um objetivo explícito de risco–cobertura.
• Framework de Curadoria Agêntica: Um algoritmo de extração de duas etapas inovador e um loop de gerar-validar-reparar para síntese de conversor, governado por um portão de validação de 26 regras que inclui verificações de plausibilidade física.
• Lakehouse Governado e Benchmark Aberto: O lançamento de um modelo de dados canônico de quatro camadas (Metadados, Célula, Resumo de Ciclo, Série Temporal) e um benchmark composto por 41 conjuntos de dados curados de mais de 25 instituições.
  • Escopo: Abrange várias químicas (LFP, NMC, LCO, NCA), formatos (18650, 21700, pouch, prismática) e regimes de envelhecimento (ciclo, ciclo de condução, impedância, calendário, abuso térmico).
  • Padronização: Inclui tarefas padronizadas de SOH/RUL, três protocolos de divisão (aleatório, temporal, entre células) e oito famílias de modelos de base (Linear, RF, XGBoost, MLP, CNN, LSTM, Transformer, PINN).

Resultados e Entregáveis
A plataforma hospeda atualmente 41 conjuntos de dados registrados, com 12 conjuntos de dados totalmente curados contendo aproximadamente 720 células e 323.000 ciclos de carga-descarga (9,5 GB de dados). O processo de curadoria garante que cada conjunto de dados admitido carregue evidência de curadoria verificável por máquina, alinhando-se aos princípios FAIR. O benchmark fornece pacotes de treinamento reprodutíveis que fixam configurações, sementes (seeds) e divisões de dados, permitindo uma comparação justa entre as oito famílias de modelos de base.

Significância
O artigo argumenta que a curadoria de dados científicos confiável em escala requer o acoplamento da flexibilidade de LLMs com salvaguardas específicas: fundamentação de evidências com abstenção, verificação humana seletiva e validação física executável. O BatteryLake aborda um padrão geral na engenharia de dados científicos: converter a "cauda longa" de conjuntos de dados pequenos, heterogêneos e subdocumentados em coleções governadas e prontas para análise. Ao substituir a confiança tanto em humanos quanto em modelos por um pipeline auditável onde o risco residual é mensurável e ajustável, o framework oferece um modelo para governar dados científicos além do domínio das baterias. Os autores posicionam o BatteryLake não apenas como um conjunto de dados, mas como um sistema que possibilita a pesquisa de baterias reprodutível, confiável e abertamente compartilhável.