본 논문은 리튬이온 배터리 용량 감소 예측을 위한 새로운 접근법을 제시합니다. 기존의 전문가 모델들은 특정 시나리오에 맞춰져 일반화 능력이 부족한 반면, 본 연구는 시계열 기반 모델인 Timer 모델을 대용량 배터리 충방전 데이터 (약 10GB)로 미세 조정하여 배터리 용량 감소 예측에 대한 제로샷 일반화 능력을 향상시키는 '감소 인식 미세 조정 전략'을 제안합니다. 또한, 대규모 모델의 계산 비용 문제를 해결하기 위해 사전 훈련된 기반 모델의 지식을 소형 전문가 모델로 전이하는 지식 증류 프레임워크를 제시합니다. CycleLife-SJTUIE 데이터셋을 사용한 검증 결과, 미세 조정된 Battery-Timer 모델은 강력한 제로샷 일반화 성능을 보이며, 지식 증류를 통해 전문가 모델의 다중 조건 일반화 성능 또한 향상됨을 확인하였습니다.
