Doyle-Fuller-Newman (DFN) 모델은 리튬 이온 배터리의 내부 전기화학적 상태를 높은 충실도(fidelity)로 해결합니다. 그러나 지배 방정식의 수치적 해법은 실시간 배포에 있어 계산 비용이 너무 높아, 개별 셀에서 팩(pack) 및 플릿(fleet) 규모의 애플리케이션으로의 확장성을 제한합니다. 머신러닝 대리 모델(machine learning surrogates)은 GPU 가속을 통해 추론 지연 시간(inference latency)을 실질적으로 줄일 수 있지만, 대부분의 기존 방식은 일반화 가능한 상태 진화 역학(state-evolution dynamics)을 학습하기보다는 특정 작동 조건에 종속된 해의 근사치를 학습합니다. 본 연구는 광범위한 작동 조건에 걸쳐 전체 DFN 내부 상태를 예측하는 자기회귀적 상태 전이 연산자(autoregressive state-transition operators)로 공식화된 네 가지 신경망 구조(MLP, ResNet, U-Net, FNO)의 체계적인 비교를 제시합니다. 통제된 구조적 비교를 보장하기 위해, 모든 모델은 다단계 언롤링(multi-step unrolling) 및 전류 컨디셔닝(current-conditioning)을 사용하는 통합 프레임워크 하에서 학습되어 공간적 귀납 편향(spatial inductive bias)의 영향을 격리했습니다. 결과에 따르면, U-Net의 다중 스케일 특징 계층(multi-scale feature hierarchy)은 300단계 자기회귀 롤아웃(autoregressive rollouts) 후 모든 내부 상태 변수에 대해 평균 3%의 최종 단계 nRMSE를 달성하는 동시에, 수치 해석기(numerical solver) 대비 5.38배의 속도 향상을 제공했습니다. 이러한 발견은 공간적 귀납 편향이 대리 모델 성능의 결정적인 요인임을 강조하며, 차세대 배터리 관리 시스템(BMS) 및 디지털 트윈(digital twins)을 위한 내부 상태 관측 가능성(observability)용 대리 모델 개발을 진전시킵니다.