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

Public battery aging datasets are a critical asset for advanced health management, but their practical use is often limited by inconsistent formats, unclear schemas, and metadata scattered across repositories and publications. Current curation remains largely manual and hard to reproduce, while general-purpose data integration tools miss the domain-specific semantics of electrochemical time-series data. We present BatteryLake, a governed data lakehouse that turns raw public battery data into benchmark-ready assets through an agentic, physics-grounded curation framework, with three contributions. First, LLM agents extract metadata and synthesize dataset-specific converters, grounding every output in verbatim evidence and abstaining when none supports a value. Second, a human-in-the-loop mechanism frames verification as selective prediction and gates admitted data through 26 schema, statistical, and physical-plausibility rules. Third, we release an open benchmark of 41 datasets from over 25 institutions, with standardized SOH and RUL tasks, three split protocols, and eight baseline model families. The platform, benchmark, and curation protocol are publicly available at https://tianwen1209.github.io/batterylake/.

한 줄 요약

BatteryLake는 물리 기반·증거 기반 에이전트를 활용해 배터리 노화 데이터를 표준화된 벤치마크 자산으로 전환하는 데이터 레이크하우스 플랫폼이다.

핵심 기여도

LLM 에이전트를 사용한 증거 기반 메타데이터 추출 및 컨버터 합성, 추출 실패 시 명시적 "not stated" 처리.
26개 규칙으로 구성된 스키마, 통계, 물리적 타당성 검증 게이트를 통한 데이터 검증.
25개 기관에서 수집한 41개 데이터셋을 포함한 표준화된 SOH/RUL 벤치마크 공개.
3개의 스플릿 프로토콜과 8개 베이스라인 모델 가족 제공.

핵심 아이디어

BatteryLake는 기존 배터리 데이터 통합 방식의 한계를 극복하기 위해, 증거 기반 추출과 인간 검증, 물리적 타당성 검증을 결합한 에이전트 기반 큐레이션 프레임워크를 제시한다. LLM 에이전트는 데이터셋의 랜딩 페이지와 동반 논문에서 메타데이터를 추출하며, 추출된 정보는 반드시 원문에 명시된 증거에 기반해야 하며, 증거가 없을 경우 "not stated"로 표기한다. 이는 기존 LLM 기반 큐레이션에서 발생하는 가짜 정보 생성 문제를 방지한다. 또한, 26개의 검증 규칙을 통해 스키마 일관성, 통계적 유효성, 물리적 타당성을 확인하며, 신뢰도가 낮은 필드는 전문가 검토를 거친다. 이 프레임워크는 배터리 데이터에 특화되었지만, 다른 과학 데이터 큐레이션에도 적용 가능하다는 점에서 일반성을 갖는다.

기술적 접근법

**LLM 에이전트 기반 추출**: 메타데이터 추출과 컨버터 합성은 LLM 에이전트가 수행하며, 추출된 정보는 반드시 원문 증거에 기반해야 한다.
**두 단계 추출 알고리즘**: 데이터셋 랜딩 페이지와 동반 논문을 대상으로, 추출-검증-수정(Gen-Val-Rep) 루프를 반복한다.
**26개 규칙 검증 게이트**: 스키마 일관성, 통계적 유효성, 물리적 타당성, 데이터 무결성 4가지 차원을 기준으로 데이터 검증.
**사용자 정의 컨버터**: 파일 형식(CSV, Excel, MATLAB .mat 등)에 따라 컨버터가 자동 생성되며, 이는 26개 규칙을 통과해야 채택된다.
**4단계 캐노니컬 데이터 모델**: 유형화된 단위와 무결성 제약 조건을 갖춘 표준화된 데이터 구조.

주요 결과

**41개 데이터셋 벤치마크**: 25개 기관에서 수집된 다양한 배터리 화학(실린더, 포치, 프리즘)과 노화 조건(사이클, 드라이브 사이클, 임피던스, 열적 손상)을 포함.
**표준화된 SOH/RUL 태스크**: 3가지 스플릿 프로토콜과 8가지 베이스라인 모델 가족 제공.
**26개 규칙 검증 게이트**: 데이터셋의 일관성과 물리적 타당성을 보장하며, 에이전트 생성 컨버터의 신뢰도를 높인다.
**재현성 향상**: 벤치마크는 버전 관리된 재현성 매니페스트를 통해 연구 재현 가능성을 높인다.

의의 및 한계

BatteryLake는 과학 데이터 엔지니어링 분야에서 데이터 큐레이션의 신뢰성과 재현성을 향상시키는 모범 사례를 제시한다. 특히, 증거 기반 추출과 선택적 검증, 물리적 검증을 결합한 프레임워크는 기존 LLM 기반 큐레이션의 한계를 극복하며, 배터리 외 다른 과학 데이터에도 적용 가능하다. 그러나 일부 동반 논문이 유료 접근 제한을 두고 있어, 메타데이터 수집 범위가 제한될 수 있다. 또한, 에이전트가 로컬에서 실행되므로, 검증 과정은 재실행 대신 보고서 기반으로 이루어지며, 이는 데이터 무결성 검증의 한계를 야기할 수 있다.

실용적 활용

BatteryLake는 전기차, 에너지 저장 시스템, 이동 장치 등 배터리가 사용되는 산업에서 SOH/RUL 예측 모델 개발에 활용될 수 있다. 또한, 연구자들이 다양한 노화 조건과 화학 구조를 비교 분석할 수 있는 표준화된 벤치마크를 제공하며, 과학 데이터 큐레이션 프로세스의 자동화 및 신뢰성 향상에 기여할 수 있다.