IonSense-QKG：面向锂离子电池数据集发现的量子就绪元数据框架

# IonSense-QKG: 一种面向锂离子电池数据集发现的量子就绪元数据框架
来源：https://arxiv.org/html/2607.01286
###### 摘要

公共锂离子电池数据集支持健康状态估计、剩余使用寿命预测、异常检测、电化学表征、二次寿命分析以及电池安全研究。然而，这些数据集在化学体系、模态、规模、标签质量、访问状态、序列结构和预处理复杂度上差异巨大，导致它们在近期混合量子-经典机器学习中的复用变得困难。本文提出 **IonSense-QKG**，一种面向锂离子电池数据集发现的量子就绪元数据框架。从 **EV-Battery-IonSense** 出发，我们使用与量子相关的字段丰富公共电池数据集元数据，包括任务、模态、化学体系、标签类型、序列类型、访问状态、预处理需求、估计量子比特范围以及候选量子编码。我们定义了一个加权**量子就绪分数（QRS）**，用于根据实际的NISQ时代工作流可行性对数据集进行排序。QRS 并非声称量子优势，也不意味着所有数据集都经过量子模型训练；它仅是一种用于未来混合量子基准测试的透明优先级排序启发式方法。我们展示了 SQL 风格的发现查询，并发布了元数据、评分脚本、排名表、鲁棒性输出、链接检查脚本和查询工作负载作为开放工件。

**工件可用性。** 源代码、元数据模式、丰富标注、量子就绪分数计算脚本、排名元数据表、鲁棒性输出、链接检查脚本及查询工作负载均可在 https://github.com/SakthiGs/EV-Battery-IonSense 获取。

## 1. 引言

电池分析已成为电动出行、可再生能源存储、电池二次寿命以及安全关键能源系统中的核心问题。公共数据集现涵盖健康状态（SoH）估计、荷电状态（SoC）估计、剩余使用寿命（RUL）预测、热故障检测、基于阻抗的诊断、退化模式分析、现场使用建模以及电池成像。与此同时，混合量子-经典机器学习正越来越多地被探索用于科学学习任务，在这些任务中，非线性特征映射、基于核的相似性和参数高效模型在受限数据场景下可能有用（biamonte2017qml, (https://arxiv.org/html/2607.01286#bib.bib2); schuld2019feature, (https://arxiv.org/html/2607.01286#bib.bib3); cerezo2021vqa, (https://arxiv.org/html/2607.01286#bib.bib4); havlicek2019supervised, (https://arxiv.org/html/2607.01286#bib.bib5)）。

尽管有这些并行发展，一个实际障碍依然存在：*并非每个电池数据集都适合近期量子机器学习*。有些公共数据集过大、维度过高、采样不规则、图像过重、标注薄弱或难以访问。另一些则紧凑、标注良好，天生适合低维特征映射、短时间序列编码或量子核基准测试。例如，电化学阻抗谱（EIS）通常可以表示为紧凑的频域特征，而车队规模的电动汽车遥测数据则可能包含数百万或数十亿行，在进行任何量子编码之前，需要窗口化、聚合或表示学习。

现有的电池数据集存储库是有价值的导航索引，但它们很少暴露量子计算研究人员所需的元数据：估计量子比特要求、序列窗口可行性、候选编码策略、电路深度影响或 NISQ 适用性。因此，研究人员必须手动检查数据集、推断任务兼容性，并估计数据集能否支持可行的混合量子工作流。本文通过提出 **IonSense-QKG** 来填补这一空白，这是一种面向锂离子电池数据集发现的量子就绪元数据框架。该框架建立在 **EV-Battery-IonSense** (ionsense, (https://arxiv.org/html/2607.01286#bib.bib1)) 之上，这是一个经过精心策划的公共电池数据集和论文开源索引，并通过面向混合量子-经典分析的元数据对其进行了丰富。

目标并非声称量子优势，也非引入新的电池数据集。相反，我们提出一个数据管理问题：*一个可查询的元数据框架能否帮助研究人员识别那些在 NISQ 时代混合量子机器学习中可行、相关且可用于基准测试的公共锂离子电池数据集？*

我们做出三项贡献：

1. (1) 一种面向电池数据集发现的量子就绪元数据模式。我们用与知识图谱兼容的元数据字段扩展了经过策划的锂离子电池数据集索引，涵盖任务、模态、标签、序列类型、访问状态、预处理要求和候选量子编码。
2. (2) 一种用于候选选择的启发式量子就绪分数。我们定义了一个透明的评分准则，用于估计在 NISQ 时代混合量子-经典实验中使用数据集的实践可行性。该分数旨在用于数据集优先级排序，而非作为量子优势的证据。
3. (3) 一个用于量子电池数据集发现的查询工作负载。我们展示了在丰富元数据上的 SQL 风格查询，以识别适合 NISQ 可行混合 QML、量子时间序列编码以及有限标签异常/故障检测的数据集。

通过将数据集选择定位为知识管理问题，IonSense-QKG 支持可复现且透明的量子电池分析，同时与数据集描述工作和模型基准论文保持区分。

## 2. 背景与动机

### 2.1. 电池数据集具有异质性

公开电池数据集在实验设置、规模、化学体系、模态和标注质量方面差异巨大。EV-Battery-IonSense 将公共资源组织成多个电池数据类别：(i) 现场电动车辆遥测和充电数据；(ii) 实验室老化和退化数据集；(iii) 安全、故障和热失控资源；(iv) SoH/SoC/RUL 状态估计数据集；(v) 电化学表征，如 EIS、OCV 和阻抗；(vi) 电池成像和超声资源；(vii) 二次寿命和电网存储数据集；(viii) 航空航天或特种电池应用 (ionsense, (https://arxiv.org/html/2607.01286#bib.bib1))。这些类别在规模、模态、标签质量、序列结构和预处理可行性方面差异显著，这就需要一个量子就绪层，而非扁平的数据集索引。

现场遥测数据集可能包含高时间分辨率的电压、电流、温度、功率和充电行为。实验室老化数据集可能提供参考性能测试、充放电曲线、容量轨迹、混合脉冲功率表征或阻抗测量。安全数据集可能包含罕见的故障标签、滥用测试、内部短路实验或表面应变测量。成像数据集可能包括跨空间尺度的 CT、X 射线、同步加速器或超声测量。

这种异质性对电池研究很有价值，但对量子工作流设计具有挑战性。一个非常适合经典深度学习的数据集可能不适合直接量子编码，而一个小型的电化学数据集可能更适合 NISQ 基准测试。

### 2.2. 数据集发现即量子数据管理

数据集发现通常被视为一项手动文献综述任务。研究人员搜索论文、检查存储库、阅读数据描述，然后决定数据集是否合适。混合量子-经典电池分析引入了额外的约束：必须将多少特征编码到量子电路中？信号是表格型、时间序列、频谱、图像还是图结构？序列能否被窗口化或压缩成短的输入向量？是否有用于 SoH、SoC、RUL、故障、热失控或异常检测的标签？数据集是否公开可访问且有足够的文档？可能的编码策略是什么：角度编码、振幅编码、量子核、量子储层还是变分量子头？

这些问题纯属电池领域之外的问题；它们是元数据、索引、检索、来源和知识表示问题。这将该问题置于量子计算与数据/知识管理的交叉范畴。

### 2.3. 为何量子就绪很重要

近期量子设备具有有限的量子比特数、有噪声的门、有限的射击预算和电路深度约束。即使使用模拟器，实际的混合量子 ML 工作流也需要特征选择、降维和编码设计。因此，并非所有数据集都应被同等对待。一个包含数十亿行的现场遥测数据集可能很有价值，但它并非直接 NISQ 就绪。相反，一个带有明确标签的紧凑阻抗数据集可能适合量子核或变分头实验。IonSense-QKG 引入了一个数据集级别的量子就绪层，以使此类区分显式化。

## 3. 源语料库与工件

EV-Battery-IonSense 是一个经过策划的开源情报中心，专注于锂离子和电动汽车电池监控、退化研究以及 AI 驱动的健康估计 (ionsense, (https://arxiv.org/html/2607.01286#bib.bib1))。它索引了公共电池数据集、来源链接、相关出版物以及结构化类别。该存储库充当导航索引，不托管或重新分发原始数据集。这对于许可和归属很重要：每个数据集归其原始发布者所有，用户被指示引用并遵守原始来源的条款。

对于 IonSense-QKG，该存储库用作*种子语料库*。工件现在包含 (i) 一个量子就绪模式，(ii) 种子、丰富和排名的元数据表，(iii) 一个确定性的 QRS 计算脚本，(iv) 评分变体的鲁棒性输出，(v) 一个 SQL 查询工作负载，以及 (vi) 链接检查和贡献实用工具。该原型并未声称覆盖所有公共电池数据集；相反，它提供了一条从策划索引到可查询量子就绪层的结构化路径。

```
EV-Battery-IonSense
  种子索引
     ↓
量子就绪元数据丰富
     ↓
IonSense-QKG 元数据层
     ↓
加权 QRS 排名
     ↓
发现查询与候选数据集

语料库 → 丰富 → 表示 → 评分 → 检索
任务、模态、序列类型、标签类型、访问状态、预处理、编码
特征紧凑性、序列适用性、模态兼容性、标签可用性、预处理可行性、可复现性
```

图 1. IonSense-QKG 工作流。一个经过策划的电池数据集索引被用与量子相关的元数据丰富，表示为 KG 兼容的元数据层，使用加权量子就绪分数（QRS）进行排名，并查询以识别未来混合量子-经典基准测试的候选数据集。

代表性示例包括：包含电压、电流、功率和温度时间序列的多年现场测量；带有罕见临界故障类别的 BMS 云数据集；早期循环寿命预测数据集；EIS 和阻抗数据集；电压弛豫数据集；电池故障和滥用测试资源；CT/X 射线/超声成像数据集；以及 NASA 电池寿命预测数据集。这些示例涵盖了从高度 NISQ 可行的紧凑表格/频谱数据集到需要大量预处理的大规模现场和成像数据集的整个范围。

## 4. IonSense-QKG 设计

### 4.1. 实体模型

IonSense-QKG 将电池数据集和量子就绪元数据表示为链接实体。该图使用诸如 `hasTask`、`hasModality`、`hasChemistry`、`hasLabelType`、`hasSequenceType`、`requiresPreprocessing`、`supportsEncoding`、`hasAccessStatus`、`citedBy` 和 `hasNISQFeasibility` 等关系。核心实体列于表 1 (https://arxiv.org/html/2607.01286#S4.T1)。这种表示支持人类可读的浏览和机器可查询的数据集选择。当前工件将模型实现为 CSV 元数据和 SQL 风格的查询；本地的 RDF/SPARQL 或图数据库后端留待未来工作。

**表 1. IonSense-QKG 中的核心实体。**

### 4.2. 元数据记录与种子标注

每个数据集条目都通过结构化元数据记录进行丰富。下面显示一个最小示例。

```
dataset_id: wmg_dib_eis
name: WMG-DIB EIS Dataset
tasks: [SoH estimation, capacity estimation]
modalities: [EIS, temperature, SOC-conditioned]
sequence_type: spectral/tabular
label_type: continuous SoH
preprocessing_required: [feature extraction, normalisation]
quantum_encoding_candidates:
  [angle encoding, quantum kernel, variational head]
estimated_qubit_range: 4-8
nisq_feasibility: high
access_status: public
```

代表性的种子标注已在工件中发布，包括数据集级别的任务信号、模态、候选量子编码、估计量子比特范围、预处理注释和可行性标签。这些标注用于支持基于查询的数据集选择和 QRS 排名，但并非经验性的量子基准测试结果。

## 5. 量子就绪分数

### 5.1. 设计原则

量子就绪分数（QRS）是一种数据集选择启发式方法，而非量子优势的证明。它估计数据集对于近期混合量子 ML 实验的适用程度。高分数表示：紧凑或可压缩的输入特征、清晰的标签、可管理的序列长度、公共访问、高预处理可行性、与电池健康任务的相关性、使用 4–12 个量子比特的可行编码，以及经典与量子公平基准测试的潜力。

我们定义：

(1) QRS(D) = Σ_{i∈{f,s,m,l,p,a}} w_i C_i(D),

其中准则 C_i(D) 分别对应：特征紧凑性与估计量子比特可行性、序列适用性、模态兼容性、标签可用性、预处理可行性以及访问/可复现就绪性。对于本研讨会版本，权重由专家定义且透明。后续版本可以通过基准测试结果或用户反馈来验证或学习这些权重。

表 2 (https://arxiv.org/html/2607.01286#S5.T2) 定义了 QRS 公式中使用的离散分量分数。

**表 2. QRS 分量评分准则。分数是 NISQ 工作流就绪性的可行性标签，而非经验性的量子性能指标。**

### 5.2. 初始 QRS 计算

对于研讨会工件，我们在从 EV-Battery-IonSense 中选择的 15 个代表性电池数据集资源（初始丰富种子集）上实例化了评分准则。该计算的目的并非经验性地验证量子优势，而是证明所提出的元数据模式和 QRS 准则能够为数据集选择产生可复现的初次排名。

每个数据集被分配六个分量分数：特征紧凑性、序列适用性、模态兼容性、标签可用性、预处理就绪性以及访问/可复现性。对于此初始实现，每个分量离散化为 *高*=1.0、*中*=0.5 和 *低*=0.0，然后使用加权 QRS 公式组合：

(2) QRS(D) = 0.25F(D) + 0.20S(D) + 0.20M(D) + 0.15L(D) + 0.15P(D) + 0.05A(D).

权重有意优先考虑量子工作流约束：特征紧凑性、序列适用性和模态兼容性共同占总分的 65%，因为它们直接影响量子比特