IonSense-QKG: A Quantum-Readiness Metadata Framework for Lithium-Ion Battery Dataset Discovery

Public lithium-ion battery datasets are increasingly used for state-of-health estimation, remaining-useful-life prediction, anomaly detection, electrochemical diagnostics, second-life analytics, and battery safety research. However, these datasets vary substantially in chemistry, modality, scale, label quality, sequence structure, access status, and preprocessing complexity. These differences directly affect whether a dataset is feasible for near-term hybrid quantum-classical machine-learning workflows. This paper presents IonSense-QKG, a quantum-readiness metadata framework for lithium-ion battery dataset discovery. Starting from the EV-Battery-IonSense index, the proposed framework enriches public battery dataset records with quantum-relevant metadata, including task type, sensing modality, chemistry, label availability, sequence type, preprocessing requirements, candidate quantum encodings, estimated qubit range, and NISQ feasibility. A transparent Quantum Readiness Score is introduced to rank datasets as candidate resources for future hybrid quantum-classical battery benchmarks. The score is intended as a dataset-selection heuristic, not as evidence of quantum advantage. The framework demonstrates query-based discovery over enriched metadata to identify datasets suitable for compact quantum feature maps, quantum time-series workflows, limited-label anomaly detection, and future battery-health benchmarking. The released artifact includes metadata tables, scoring scripts, robustness checks, link-checking utilities, and SQL-style query examples. IonSense-QKG positions dataset selection as a data-management problem and provides a reproducible foundation for data-centric quantum battery analytics.

한 줄 요약

IonSense-QKG는 리튬이온 배터리 데이터셋의 NISQ 시대 하이브리드 양자 머신러닝 적합성을 평가하는 메타데이터 프레임워크다.

핵심 기여도

EV-Battery-IonSense 인덱스를 확장한 양자-준비 메타데이터 스키마 제안.
Quantum Readiness Score 정의로 데이터셋의 NISQ-시대 하이브리드 QML 실험 적합성 추정.
SQL 스타일 쿼리 워크로드를 통해 양자 타임시리즈 인코딩, 제한 라벨 이상 탐지 등에 적합한 데이터셋 식별.
메타데이터 테이블, 점수 계산 스크립트, SQL 예시 등을 포함한 오픈 소스 아티팩트 제공.

핵심 아이디어

기존 배터리 데이터셋은 화학적 특성, 라벨 품질, 시퀀스 구조 등이 달라 NISQ 시대 양자-클래식 하이브리드 머신러닝에 적합하지 않을 수 있다. 예를 들어, EIS 데이터는 저차원 주파수 도메인 특성으로 표현되어 양자 특징 맵에 적합하지만, 대규모 EV 텔레메트리 데이터는 윈도우링, 집계가 필요해 양자 인코딩이 어려운 경우가 많다. IonSense-QKG는 이러한 차이를 메타데이터로 체계화하고, Quantum Readiness Score를 통해 데이터셋의 양자 적합성을 정량적으로 평가한다. 이는 데이터셋 선택을 데이터 관리 문제로 재정의하며, 재현 가능한 양자 배터리 분석 기반을 제공한다.

기술적 접근법

**EV-Battery-IonSense** 인덱스를 기반으로 **Quantum Readiness Metadata Schema**를 확장.
메타데이터 필드: task type, sensing modality, chemistry, label availability, sequence type, preprocessing requirements, candidate quantum encodings, estimated qubit range, NISQ feasibility.
**Quantum Readiness Score**는 데이터셋의 NISQ-시대 하이브리드 QML 실험 적합성을 추정하는 투명한 점수 체계.
SQL 스타일 쿼리를 통해 특정 태스크(예: 양자 타임시리즈 인코딩, 제한 라벨 이상 탐지)에 적합한 데이터셋을 식별.
**아티팩트**에는 메타데이터 테이블, 점수 계산 스크립트, 로버스트성 검증, 링크 체크 유틸리티, SQL 예시 포함.

주요 결과

IonSense-QKG는 **NISQ-시대 하이브리드 QML**, **양자 타임시리즈 인코딩**, **제한 라벨 이상/실패 탐지**, **양자 특징 맵**에 적합한 데이터셋을 식별.
**Quantum Readiness Score**를 통해 데이터셋의 양자 적합성을 정량적으로 평가.
**EIS 데이터셋**은 **저차원 주파수 도메인 특성**으로 인해 양자 특징 맵에 적합.
**대규모 EV 텔레메트리 데이터셋**은 **윈도우링, 집계**가 필요해 양자 인코딩이 어려움.

의의 및 한계

IonSense-QKG는 양자-클래식 하이브리드 머신러닝 연구자들이 적합한 배터리 데이터셋을 선택하는 데 도움을 주며, 데이터 중심의 양자 분석을 위한 재현 가능한 기반을 제공한다. 그러나 이 프레임워크는 **양자 우위**(quantum advantage)를 주장하지 않으며, **데이터셋 선택 휴리스틱**일 뿐이다. 또한, **모든 데이터셋의 양자 적합성**을 완전히 예측하지 못할 수 있으며, **실제 양자 실험 성과**와의 직접적인 연관성은 명시되지 않음.

실용적 활용

IonSense-QKG는 **전기차 배터리 상태 추정**, **배터리 안전성 분석**, **제2차 사용 분석** 등에서 **양자-클래식 하이브리드 머신러닝**을 적용하려는 연구자들에게 데이터셋 선택의 가이드라인을 제공한다. 특히, **NISQ 기기에서 실행 가능한 양자 알고리즘**을 개발하거나, **제한된 라벨 데이터 환경**에서 이상 탐지를 수행하는 데 유용하게 활용될 수 있다.