최근 리튬이온 배터리 데이터셋은 배터리 건강 상태(SOH) 추정, 잔여 수명(RUL) 예측, 이상 탐지, 전기화학 진단, 재활용 분석, 안전 연구 등 다양한 분야에서 활용도가 높아지고 있습니다. 하지만 이 데이터셋들은 화학 구성, 측정 방식, 규모, 라벨 품질, 시퀀스 구조, 접근성, 전처리 복잡성 등에서 큰 차이를 보여, 근미래의 하이브리드 양자-고전(quantum-classical) 머신러닝 워크플로우에 적용하기에 적합한지 판단하기가 매우 어려웠습니다.
이러한 문제를 해결하기 위해 'IonSense-QKG'라는 새로운 양자 준비도(quantum-readiness) 메타데이터 프레임워크가 제안되었습니다. 이 프레임워크는 기존 EV-Battery-IonSense 인덱스에서 시작하여, 공개된 배터리 데이터셋 기록에 양자 관련 메타데이터를 풍부하게 추가합니다. 여기에는 작업 유형, 감지 방식, 화학적 특성, 라벨 가용성, 시퀀스 유형, 전처리 요구사항, 후보 양자 인코딩, 예상 큐비트(qubit) 범위, NISQ(잡음이 많은 중간 규모 양자 컴퓨터) 적합성 등이 포함됩니다. 특히, 데이터셋이 미래의 하이브리드 양자-고전 배터리 벤치마크에 적합한지 순위를 매길 수 있도록 투명한 '양자 준비도 점수(Quantum Readiness Score)'를 도입했습니다. 이 점수는 양자 우위(quantum advantage)의 증거가 아니라, 데이터셋 선택을 위한 휴리스틱(heuristic)으로 활용됩니다.
IonSense-QKG는 풍부해진 메타데이터를 기반으로 쿼리(query) 기반의 데이터셋 검색을 가능하게 하여, 압축된 양자 특징 맵(quantum feature maps), 양자 시계열 워크플로우, 제한된 라벨을 이용한 이상 탐지, 그리고 미래 배터리 건강 벤치마킹에 적합한 데이터셋을 식별할 수 있도록 돕습니다. 이 프레임워크는 데이터셋 선택을 데이터 관리 문제로 접근하며, 데이터 중심의 양자 배터리 분석을 위한 재현 가능한(reproducible) 기반을 제공합니다. 관련 메타데이터 테이블, 스크립트, 유틸리티 및 SQL 스타일 쿼리 예시가 깃허브(GitHub)를 통해 공개되어 연구자들이 쉽게 활용할 수 있습니다.