KAIST, 차세대 배터리 소재 신속·고효율 설계…성능 예측기술 개발

홍승범·조은애 교수팀, 데이터 부족해도 배터리 양극재 입자크기 예측 데이터 보완+예측 신뢰도 제공, 배터리 실험기간·비용 줄여

[대전=뉴시스] 실험 데이터가 부족한 상황에서도 배터리 소재 개발에 필요한 실험을 대체할 수 있는 AI 프레임워크를 개발한 KAIST 연구진.(사진=KAIST 제공) *재판매 및 DB 금지

[대전=뉴시스] 김양수 기자 = 국내 연구진이 실험데이터가 부족한 상황에서도 배터리 핵심소재인 양극재의 성능을 예측할 수 있는 인공지능(AI) 기술을 개발해 배터리 개발기간을 단축할 수 있게 됐다.

한국과학기술원(카이스트·KAIST)은 신소재공학과 홍승범·조은애 교수팀이 공동연구를 통해 실험 데이터가 불완전한 상황에서도 배터리 양극재의 입자크기를 정확하게 예측하고 실험 예측결과의 신뢰도까지 함께 제시할 수 있는 '머신러닝 프레임워크'를 개발했다고 26일 밝혔다.

배터리 내부의 양극재는 리튬이온 배터리가 에너지를 저장하고 꺼내 쓰게 만드는 핵심 재료로 현재 전기차 배터리에 가장 널리 사용되는 양극재는 니켈(Ni), 코발트(Co), 망간(Mn)을 혼합한 NCM 계열 금속 산화물이다. 배터리의 수명과 충전 속도, 주행 거리, 안전성에 큰 영향을 미친다.

이번에 KAIST 연구진은 양극재를 이루는 아주 작은 1차 입자의 크기가 배터리 성능을 결정하는 핵심 요소라는 점에 주목했다.

연구진은 "입자가 지나치게 크면 성능이 저하되고 반대로 너무 작으면 안정성 문제가 발생할 수 있다"며 "이로 입자 크기를 정확하게 예측하고 제어할 수 있는 AI 기반 기술 개발에 나섰다"고 설명했다.

기존에는 입자크기를 파악키 위해 소결 온도와 시간, 재료 조성 등을 바꿔가며 수많은 실험을 반복해야 했다. 하지만 실제 연구현장에서는 모든 조건을 빠짐없이 측정하기 어렵고 실험 데이터가 누락되는 경우도 잦아 공정조건과 입자크기 간의 관계를 정밀하게 분석하는 데 한계가 있었다.

연구팀은 누락된 데이터는 보완하고 예측 결과는 신뢰도와 함께 제시하는 AI 프레임워크를 설계해 기존 문제를 해결했다. 이 프레임워크은 화학적 특성을 고려해 빠진 실험 데이터를 보완하는 기술(MatImpute)과 예측 불확실성을 함께 계산하는 확률적 머신러닝 모델(NGBoost)의 결합이 핵심이다.

이 AI 모델은 입자크기 예측은 물론 해당 예측을 어느 정도까지 신뢰할 수 있는지에 대한 정보까지 함께 제공한다. 이는 실제로 어떤 조건에서 재료를 합성할지 결정하는 데 중요한 기준이 된다.

연구진이 실험 데이터를 확장해 학습한 결과, 양극재 입자크기는 재료 성분보다도 굽는 온도와 시간 같은 공정 조건의 영향을 더 크게 받는 것이 확인됐고 AI 모델이 예측도는 약 86.6%로 매우 정확한 수준으로 나타났다.

이어 연구진은 AI 예측 신뢰성을 검증키 위해 금속 성분 비율은 동일한 NCM811(Ni 80%/Co 10%/Mn 10%) 조성을 유지하되 기존 데이터에 포함되지 않은 제조조건으로 합성한 양극재 시료 4종을 새롭게 제작해 실험을 진행했다.

실험 결과, AI가 예측한 입자크기는 실제 현미경 측정 결과와 거의 일치했으며 오차는 대부분 머리카락 두께보다 훨씬 작은 0.13마이크로미터(μm) 이하로 나타났다. 특히 AI가 함께 제시한 예측 불확실성 범위 안에 실제 실험 결과가 포함돼 예측값뿐 아니라 신뢰도 역시 우수함이 확인됐다.

이번 연구는 배터리 연구에서 모든 실험을 수행하지 않아도 성공 가능성이 높은 조건을 찾을 수 있는 길을 열었다는 점에서 의미가 크다. 이를 통해 배터리 소재 개발 속도를 높이고 불필요한 실험과 비용을 크게 줄일 수 있을 것으로 기대된다.