KAIST, AI 활용 차세대 배터리 소재 역설계 기술 개발

디자인-소자 파이프라인 개략도. 사진=한국과학기술원(KAIST)
<디자인-소자 파이프라인 개략도. 사진=한국과학기술원(KAIST)>

한국과학기술원(KAIST·총장 이광형)는 홍승범 신소재공학과 교수팀이 배터리 소재 역설계 머신러닝(기계학습) 모델을 수립했다고 23일 밝혔다.

인공지능(AI)은 고차원 변수 공간에서 각 매개변수 간 정량적 상관관계를 신속하고 정확하게 추출할 수 있다. 이를 공정-구조-물성 간 상관관계를 기반으로 발전하는 신소재공학에 적용하면 신소재 개발 시간을 단축할 수 있어 AI를 신소재 개발에 활용하려고 노력하고 있다.

특히 배터리 소재 개발에 AI를 활용하는 예가 가장 많은데, 주로 제1 원리 계산(양자화학 기반 계산법)과 머신러닝을 융합해 수많은 전극 소재 조합을 대량으로 스크리닝하는 기술 개발이 주를 이루고 있다.

다만 제1 원리 계산으로 예측한 값들은 실험으로 검증이 돼야 하며, 실험실별 실험데이터 편차나 중요 공정변수들을 공개하지 않은 경우가 많아 AI가 학습할 수 있는 데이터 크기가 한정적이다.

연구팀은 배터리 양극재 원료조성, 1차 및 2차 소결 온도와 시간 등 공정 변수, 컷오프 전위 및 충·방전률과 같은 측정 변수, 1차 및 2차 입자 크기와 같은 구조 변수, 충·방전 용량과 같은 성능 변수 간 상관관계를 정량적으로 수립했다. 이를 활용해 요구되는 에너지 용량에 맞는 합성 조건을 찾는 알고리즘을 개발했다.

또 고니켈 함량 양극재 관련 논문 415편 내 주요 변수들을 추출하고 입력 데이터 셋을 기반으로 주어진 공정 및 측정 변수에 대해서 성능 변수를 예측하는 순방향 모델을 얻었다.

이어 입자 군집 최적화(PSO) 알고리즘을 활용해 주어진 성능 변수에 대응하는 공정 및 측정 변수를 추출하는 역방향 모델을 수립, 이 모델을 검증하기 위해 소재를 실제로 합성해 타깃 용량인 200, 175, 150 mAh/g과 11% 정도 오차를 보여 상당히 정확하게 역설계할 수 있음을 입증했다.

홍승범 교수는 “AI를 활용해 대량의 논문 및 특허 내 변수를 자동으로 분류하고 실험값을 추출해 각 변수 간 다차원 상관관계를 기반으로 모델을 수립하는 것이 차세대 배터리 소재 역설계 핵심”이라며 “향후 데이터 마이닝 기술, 머신러닝 기술, 공정 자동화 기술을 융합하는 것이 미래 신소재공학”이라고 말했다.

이인희기자 leeih@etnews.com