清华大学深圳国际研究生院夏必忠副研究员、张璇副教授团队提出了一种用于SOH估计的精确、鲁棒和可泛化的量子卷积神经网络（QCNN，quantum convolutional neural network）模型，该模型仅使用少量放电数据，且可与噪声中尺度量子计算云平台兼容。本工作证明了量子编码对于从有限放电数据中提取的健康因子（HIs，health indicators）自动特征融合的有效性，强调了模型在处理随机和噪声数据时提升SOH估计准确性、鲁棒性和泛化性的潜力，是一种在SOH估计中利用量子计算能力的新范式。该工作的整体流程是：首先，团队利用来自4个数据集的数据，包括272个电池，涵盖5种化学成分、4种额定参数和73种使用条件，基于增量容量曲线峰值，为每个电池设计了5个小至0.3V的电压窗口，用于生成随机SOH估计场景。团队提取了3个有效的HIs序列，使用量子旋转门编码在不同维度对三种HIs进行表示，实现自动特征融合。随后，团队设计了一个基于变分量子电路的QCNN模型，无需激活函数，可有效减小计算复杂度，且具有很强的非线性表达能力。该工作展示了一种用于估计锂离子电池SOH的量子卷积神经网络：使用小于0.3V的部分放电数据片段，基于量子旋转门实现特征提取和特征融合，并基于量子卷积神经网络实现SOH估计，具有良好的估计准确性、鲁棒性和泛化性。该工作对于云BMS系统利用量子计算能力进行SOH估计具有重要意义。相关研究成果以“基于量子卷积神经网络自动特征融合的锂离子电池随机健康状态估计”（Stochastic state of health estimation for lithium-ion batteries with automated feature fusion using quantum convolutional neural network）为题，于3月10日发表于《能源化学》（Journal of Energy Chemistry）。