تعتبر إدارة صحة البطاريات وتوقعاتها (Battery Prognostics and Health Management - BPHM) أمرًا حيويًا لضمان تشغيل البطاريات بشكل آمن وموثوق وبتكلفة فعّالة، وذلك في مختلف المجالات مثل المركبات الكهربائية وتخزين الشبكة والأجهزة الاستهلاكية. ومع أن الأساليب التقليدية تعاني من بعض التحديات، مثل الكفاءة الحسابية والاعتمادية على بيانات موسومة بشكل شامل، إلا أن نماذج اللغة الضخمة (Large Models) التي تعتمد على بنية Transformer وتقنيات التعلم الذاتي أصبح لديها القدرة على تجاوز هذه العراقيل القديمة.

تُقدم هذه المراجعة أول دراسة شاملة لتطبيقات نماذج اللغة الضخمة في مجال إدارة صحة البطاريات، حيث نتناول كيف تتناول هذه النماذج التحديات المختلفة في هذا المجال. نبدأ بتوضيح التقنيات الأساسية التي تمكّن نماذج اللغة الضخمة، مثل بنية Transformer، والتعلم الذاتي، ومجموعات البيانات متعددة الأبعاد. ثم نقوم بتصنيف التقدم الحديث في أربعة أبعاد رئيسية: تخفيف نقص البيانات، وتعزيز التعميم والموثوقية، ودمج المعرفة اللازمة لتحسين الفهم، وتمكين الأتمتة على مستوى النظام.

على الرغم من النتائج المشجعة، لا تزال هناك تحديات كبيرة تتعلق بالوصول إلى البيانات، والتحقق من الذكاء، والثقة، وإمكانية التطبيق العملي. وبغرض توجيه أبحاث المستقبل، نقترح خارطة طريق تركز على بناء أنظمة بيانات تعاونية، والتحقق من الذكاء لتطبيقات الصناعة، وتعزيز الثقة مع تصاميم مدفوعة بالفيزياء، وتمكين النشر الفعّال على الأجهزة.

تؤكد هذه المراجعة على أن هناك طريقتين النظاميتين لفهم وتقدم إدارة صحة البطاريات المدفوعة بنماذج اللغة الضخمة، مما يوفر للباحثين والمحترفين رؤى أساسية لتطوير أنظمة إدارة البطاريات الجيل القادم القادرة على التشغيل الآمن والموثوق والمستقل على مدار دورة حياة البطارية.