งานวิจัยชิ้นนี้เป็นการสำรวจภาพรวมของการนำ Large Models (LMs) เช่น Transformer และเทคนิค Self-supervised learning มาประยุกต์ใช้ในด้าน Battery Prognostics and Health Management (BPHM) ซึ่งมีความสำคัญอย่างยิ่งต่อความปลอดภัยและประสิทธิภาพของรถยนต์ไฟฟ้า (EV) และระบบกักเก็บพลังงาน
เดิมทีการวิเคราะห์สุขภาพแบตเตอรี่ต้องพึ่งพาแบบจำลองทางฟิสิกส์ที่คำนวณยาก หรือโมเดล Deep Learning แบบเดิมที่ต้องการข้อมูลจำนวนมหาศาล แต่ LMs ช่วยแก้ปัญหานี้ได้ด้วยการเรียนรู้จากข้อมูลที่ไม่มีป้ายกำกับและการถ่ายโอนความรู้ข้ามโดเมน งานวิจัยระบุถึง 4 มิตหลักที่ LMs เข้ามาสร้างความเปลี่ยนแปลง ได้แก่ การลดปัญหาการขาดแคลนข้อมูล การเพิ่มความทนทานของโมเดล การผสมผสานความรู้เฉพาะทางเพื่อให้โมเดลอธิบายเหตุผลได้ และการสร้างระบบจัดการอัตโนมัติในระดับโครงข่าย
นอกจากนี้ ทีมวิจัยยังเสนอ Roadmap สำหรับอนาคตที่มุ่งเน้นการสร้างระบบนิเวศข้อมูลร่วมกัน การทดสอบความเชื่อมั่นในเชิงอุตสาหกรรม และการพัฒนาโมเดลให้สามารถรันบนอุปกรณ์ (On-device deployment) ได้โดยตรงเพื่อการติดตามผลแบบเรียลไทม์
