Battery-Sim-Agent: LLM 에이전트를 활용한 역방향 배터리 파라미터 추정

Battery-Sim-Agent: Leveraging LLM-Agent for Inverse Battery Parameter Estimation

고정밀 "디지털 트윈" 배터리의 파라미터를 결정하는 것은 중요한 과제이지만, 이는 배터리 기술 혁신의 속도를 늦추는 어려운 역문제입니다. 기존 방법은 이를 블랙박스 최적화(BBO) 문제로 정의하며, 샘플 효율성이 낮고 기본 물리 현상에 대한 이해가 부족한 알고리즘을 사용합니다. 본 연구에서는 이 역문제를 추론 과제로 재구성하는 새로운 패러다임을 제시하고, 고정밀 배터리 시뮬레이터와 닫힌 루프 시스템에서 LLM 에이전트를 활용하는 최초의 프레임워크인 Battery-Sim-Agent를 소개합니다. 이 에이전트는 인간 과학자의 작업 흐름을 모방하며, 시뮬레이터로부터 풍부하고 다양한 피드백을 해석하고, 불일치를 설명하기 위한 물리적으로 타당한 가설을 수립하며, 체계적인 파라미터 업데이트를 제안합니다. 다양한 배터리 화학 물질, 작동 조건 및 난이도 수준을 포괄하는 체계적으로 구성된 벤치마크 세트에서, 저희 에이전트는 베이지안 최적화와 같은 강력한 BBO 기반 모델보다 정확한 파라미터를 식별하는 데 크게 앞서었습니다. 또한, 본 프레임워크의 복잡한 장기적인 성능 저하 예측 능력과 실제 배터리 데이터셋에 대한 실용적인 적용 가능성을 입증했습니다. 저희 연구 결과는 LLM 에이전트가 과학적 발견 및 배터리 파라미터 추정을 위한 추론 기반 최적화 도구로서의 잠재력을 보여줍니다.

Parameterizing high-fidelity "digital twins" of batteries is a critical yet challenging inverse problem that hinders the pace of battery innovation. Prevailing methods formulate this as a black-box optimization (BBO) task, employing algorithms that are sample-inefficient and blind to the underlying physics. In this work, we introduce a new paradigm that reframes the inverse problem as a reasoning task, and present Battery-Sim-Agent, the first framework to deploy a Large Language Model (LLM) agent in a closed loop with a high-fidelity battery simulator. The agent mimics a human scientist's workflow: it interprets rich, multi-modal feedback from the simulator, forms physically-grounded hypotheses to explain discrepancies, and proposes structured parameter updates. On a systematically constructed benchmark suite spanning diverse battery chemistries, operating conditions, and difficulty levels, our agent significantly outperforms strong BBO baselines like Bayesian optimization in identifying accurate parameters. We further demonstrate the framework's capability in complex long-horizon degradation fitting tasks and validate its practical applicability on real-world battery datasets. Our results highlight the promise of LLM-agents as reasoning-based optimizers for scientific discovery and battery parameter estimation.