データ駆動型のバッテリー予後予測は、ある化学系で学習したモデルを別の化学系に適用すると失敗する可能性がある。本研究では、化学系に起因するドメインシフト下で、使用初期のデータから寿命末期（EOL）を分類するための、制約付き大規模言語モデル（LLM）誘導型モデル選択フレームワークを提案する。完全な劣化軌跡に基づき、健全度80％を閾値として5つのEOLカテゴリを定義する一方、モデルへの入力は初期サイクルのウィンドウに限定する。構造化された化学系のコンテキストとデータセットの数値的要約を用いて、一次元CNN、自己注意、WideResNet、OpenMax、スペクトル正規化ニューラルガウス過程（SNGP）から成る限定的なモデル群からの選択を導く。出力はスキーマ検証され、記録される。本フレームワークは、NMC、リチウム過剰系、5Vスピネル、FCGの各正極材料ファミリー間の転移タスクを対象に、Argonne/CAMPのサイクルデータを用いて評価した。LLMが選択した自己注意およびSNGP付きCNNは、対象ドメインのみで学習した決定論的CNNベースラインに対して平均9.4パーセントポイントの改善を達成した。これに対し、決定論的CNN転移モデルの改善は2.8パーセントポイント、WideResNet-SNGPは4.4パーセントポイントであった。先行するCWRU軸受研究とのドメイン横断的比較から、不確実性を考慮した出力ヘッドは診断タスクと予後予測タスクの双方で有用である一方、OpenMaxはラベル集合が明示的にオープンセットである場合に最も適していることが示唆された。これらの結果は、制約付きLLM誘導を、制約のない最適化器ではなく、監査可能な構成選択レイヤーとして位置づけるものである。
https://doi.org/10.20944/preprints202609.0022.v1