물리 정보 신경망 (Physics-informed neural networks, PINNs)은 배터리 전기화학 모델을 포함한 비선형 편미분 방정식 (nonlinear partial differential equations, PDEs)을 해결하기 위한 강력한 도구로 부상했습니다. PINNs는 일반적으로 물리적으로 일관된 솔루션을 보장하기 위해 손실 함수 (loss function) 내에서 보존 법칙 (conservation laws)을 강제합니다. 유한 차분법 (finite difference), 유한 체적법 (finite volume), 유한 요소법 (finite element)과 같은 전통적인 수치 해석 방법은 이산화 (discretization)에 의존하며 비선형 시스템의 경우 계산 비용이 많이 들 수 있습니다. 이러한 문제를 해결하기 위해, PINNs는 특히 전해질을 포함한 단일 입자 모델 (single particle model with electrolyte, SPMe)과 같은 차수 축소 모델 (reduced-order models)에 대해 향상된 확장성 (scalability)을 제공합니다. SPMe는 결합된 확산 (diffusion), 수송 (transport), 반응 속도론 (reaction kinetics) 및 전압 방정식을 통해 리튬 이온 배터리의 역학을 설명합니다. 이러한 장점에도 불구하고, 서로 다른 배터리 화학 조성이나 작동 조건에 대해 SPMe 기반 PINNs를 처음부터 학습시키는 것은 까다로우며 종종 느린 수렴 (convergence)으로 이어집니다. 이러한 한계를 극복하기 위해, 본 연구는 SPMe-PINNs를 위한 전이 학습 (transfer learning) 프레임워크를 소개합니다. 모델은 먼저 일반적인 전기화학 역학을 학습하도록 사전 학습 (pretrained)된 후, 가중치를 전이하고, 선택된 레이어를 동결 (freezing)하며, 주요 전기화학 변수 추정을 포함한 나머지 매개변수를 미세 조정 (fine tuning)함으로써 대상 배터리에 적응됩니다. PyBaMM을 사용한 검증 결과 정확한 전압 예측을 보여주었으며, 이는 제안된 접근 방식이 학습 시간을 단축하고 배터리 간의 효율적인 일반화 (generalization)를 가능하게 하는 동시에 전기화학적 일관성을 유지함을 나타냅니다.