배터리 소재 성능 미리 예측하는 AI 등장 작성일 01-26 47 목록 <div id="layerTranslateNotice" style="display:none;"></div> <strong class="summary_view" data-translation="true">KAIST 신소재공학과, 배터리 양극재 입자크기 예측 AI프레임워크 개발</strong> <div class="article_view" data-translation-body="true" data-tiara-layer="article_body" data-tiara-action-name="본문이미지확대_클릭"> <section dmcf-sid="VnPxX8ztWx"> <figure class="figure_frm origin_fig" contents-hash="ebbf30a1566e63ce387cbc05802cabed003bb9c22be85153d7b5dc1b5ee71f93" data-idxno="246901" data-type="photo" dmcf-pid="fLQMZ6qFyQ" dmcf-ptype="figure"> <p class="link_figure"><img alt="한국과학기술원(KAIST) 신소재공학과 홍승범 교수팀은 실험 데이터가 불완전한 상황에서도 배터리 양극재의 입자 크기를 정확하게 예측하는 머신러닝 프레임워크를 개발했다고 26일 밝혔다. 이번 연구는 조은애 교수팀과 공동연구를 통해 진행됐다. / KAIST" class="thumb_g_article" data-org-src="https://t1.daumcdn.net/news/202601/26/552791-TBIsO8N/20260126172024413bfzt.jpg" data-org-width="800" dmcf-mid="9AkwVcJ6lR" dmcf-mtype="image" height="auto" src="https://img2.daumcdn.net/thumb/R658x0.q70/?fname=https://t1.daumcdn.net/news/202601/26/552791-TBIsO8N/20260126172024413bfzt.jpg" width="658"></p> <figcaption class="txt_caption default_figure"> 한국과학기술원(KAIST) 신소재공학과 홍승범 교수팀은 실험 데이터가 불완전한 상황에서도 배터리 양극재의 입자 크기를 정확하게 예측하는 머신러닝 프레임워크를 개발했다고 26일 밝혔다. 이번 연구는 조은애 교수팀과 공동연구를 통해 진행됐다. / KAIST </figcaption> </figure> <p contents-hash="e708f3de485cbc51bddbdf107444e4244348722cebe267056d32598372b1a9b6" dmcf-pid="4oxR5PB3SP" dmcf-ptype="general"><strong>시사위크=박설민 기자</strong> 국내 연구진이 인공지능(AI)를 이용, 배터리 성능과 수명을 예측할 수 있는 기술 개발에 성공했다. 스마트폰과 노트북 등 전자기기에 필수적인 배터리 성능을 극대화하는데 큰 보탬이 될 전망이다.</p> <p contents-hash="c72336ac59b59ab9b1ebb96f6bff20f8e5899ca09354e00ddd033de2925ca9b8" dmcf-pid="8QK2SBtWy6" dmcf-ptype="general">한국과학기술원(KAIST) 신소재공학과 홍승범 교수팀은 실험 데이터가 불완전한 상황에서도 배터리 양극재의 입자 크기를 정확하게 예측하는 머신러닝 프레임워크를 개발했다고 26일 밝혔다. 이번 연구는 조은애 교수팀과 공동연구를 통해 진행됐다. </p> <p contents-hash="f68e04fe1a1ad268e34b10014cd2cfd832b241ab69dce773f95025b9b094b14a" dmcf-pid="6x9VvbFYS8" dmcf-ptype="general">배터리 내부의 양극재는 리튬이온 배터리가 에너지를 저장하고 꺼내 쓰게 만드는 핵심 재료다. 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.</p> <p contents-hash="a6a71b43c3baa68bbeb5933c4ff1b69d7f97b95a1182bc0b9b8aafc58afd7dc7" dmcf-pid="PM2fTK3GC4" dmcf-ptype="general">KAIST 연구진은 이러한 양극재를 이루는 아주 작은 1차 입자의 크기가 배터리 성능을 결정하는 핵심 요소라는 점에 주목했다. 입자가 지나치게 크면 성능이 저하된다. 반대로 너무 작으면 안정성 문제가 발생할 수 있다. 연구진은 입자 크기를 정확하게 예측하고 제어할 수 있는 AI기반 기술을 개발했다.</p> <div contents-hash="4bf2765413d56139ad0f898e27ee356208f322dcfd464ee3ece3ecb1f9419998" dmcf-pid="QRV4y90HTf" dmcf-ptype="general"> 기존에는 입자 크기를 파악하기 위해 소결 온도와 시간, 재료 조성 등을 바꿔가며 수많은 실험을 반복해야 했다. 그러나 실제 연구 현장에서는 모든 조건을 빠짐없이 측정하기 어렵다. 실험 데이터가 누락되는 경우도 잦아 공정 조건과 입자 크기 간의 관계를 정밀하게 분석하는 데 한계가 있었다. </div> <figure class="figure_frm origin_fig" contents-hash="06a437655af993e04f9c9a846069927e44948b3c7471be0cec902df425777f99" data-idxno="246902" data-type="photo" dmcf-pid="xef8W2pXvV" dmcf-ptype="figure"> <p class="link_figure"><img alt="(앞줄 왼쪽부터) KAIST 홍승범 교수, 조은애 교수 (뒷줄 왼쪽부터) 강채율 석사과정, 베네딕투스 마디카(Benediktus Madika) 박사과정, 문정현 박사과정, 박태민 석사과정 (상단) 심주성 석사졸업생./ KAIST" class="thumb_g_article" data-org-src="https://t1.daumcdn.net/news/202601/26/552791-TBIsO8N/20260126172025893esqp.jpg" data-org-width="800" dmcf-mid="2ZjcbaMVvM" dmcf-mtype="image" height="auto" src="https://img2.daumcdn.net/thumb/R658x0.q70/?fname=https://t1.daumcdn.net/news/202601/26/552791-TBIsO8N/20260126172025893esqp.jpg" width="658"></p> <figcaption class="txt_caption default_figure"> (앞줄 왼쪽부터) KAIST 홍승범 교수, 조은애 교수 (뒷줄 왼쪽부터) 강채율 석사과정, 베네딕투스 마디카(Benediktus Madika) 박사과정, 문정현 박사과정, 박태민 석사과정 (상단) 심주성 석사졸업생./ KAIST </figcaption> </figure> <p contents-hash="bb7f86fbbbab70548554b1e7cff508d057a734cd8563dfff09342d3d30e82119" dmcf-pid="yGClMOjJl2" dmcf-ptype="general">연구팀은 이러한 문제를 해결하기 위해 누락된 데이터는 보완했다. 예측 결과는 신뢰도와 함께 제시하는 AI프레임워크를 설계했다. 이 프레임워크는 화학적 특성을 고려해 빠진 실험 데이터를 보완하는 기술(MatImpute)과 예측 불확실성을 함께 계산하는 확률적 머신러닝 모델(NGBoost)을 결합한 것이 특징이다.</p> <p contents-hash="8ba31def8adff549db0105a8f5c41440915eba3704065cd292f0097b2e7c9b47" dmcf-pid="WHhSRIAih9" dmcf-ptype="general">이 AI 모델은 단순히 입자 크기를 예측하는 데 그치지 않고, 해당 예측을 어느 정도까지 신뢰할 수 있는지에 대한 정보까지 함께 제공한다. 이는 실제로 어떤 조건에서 재료를 합성할지 결정하는 데 중요한 기준이 된다.</p> <p contents-hash="e8cdfb34c894572409f7122c46ad0d942b30145dcae654d2f47a9bded533cf1a" dmcf-pid="YXlveCcnSK" dmcf-ptype="general">실험 데이터를 확장해 학습한 결과, AI 모델은 약 86.6%의 높은 예측 정확도를 보였다. 분석 결과, 양극재 입자 크기는 재료 성분보다도 굽는 온도와 시간 같은 공정 조건의 영향을 더 크게 받는 것으로 나타났다. 이는 기존의 실험적 이해와도 잘 부합한다.</p> <p contents-hash="63ae90c8b157a2523c7fb847b034182cafff446addcf88fc733141376d8b552b" dmcf-pid="GZSTdhkLSb" dmcf-ptype="general">연구진은 금속 성분 비율은 동일한 NCM811(Ni 80% / Co 10% / Mn 10%) 조성을 유지하되 기존 데이터에 포함되지 않은 제조 조건으로 합성한 양극재 시료 4종을 새롭게 제작했다. 그 다음, 성능 테스트를 진행했다. </p> <p contents-hash="e39f50b1028a99b2a131919e04ad68fa3347044ab47648351e0c2e08c2d98874" dmcf-pid="H5vyJlEoSB" dmcf-ptype="general">그 결과, AI가 예측한 입자 크기는 실제 현미경 측정 결과와 거의 일치했다. 오차는 대부분 머리카락 두께보다 훨씬 작은 0.13마이크로미터(μm) 이하로 나타났다. 특히 AI가 함께 제시한 예측 불확실성 범위 안에 실제 실험 결과가 포함됐다.즉, 예측값뿐 아니라 그 신뢰도 역시 타당함이 확인된 것이다.</p> <p contents-hash="508c97213b116642418595e395f7c2edbf6cfd199a5c2aaf8e8f74c018bcc06a" dmcf-pid="X1TWiSDglq" dmcf-ptype="general">홍승범 교수는 "AI가 예측값뿐 아니라 그 결과를 얼마나 신뢰할 수 있는지까지 함께 제시한다는 점이 핵심"이라며 "차세대 배터리 소재를 보다 빠르고 효율적으로 설계하는 데 실질적인 도움이 될 것"이라고 말했다.</p> <p contents-hash="5e342525f16481a6b19c70abf22dca34f0857e41fa8911cc824b3f939eee1aef" dmcf-pid="ZtyYnvwaSz" dmcf-ptype="general">이번 연구는 국제학술지 '어드밴스드 사이언스(Advanced Science)'에 지난해 10월 8일자로 게재됐다.</p> </section> </div> <p class="" data-translation="true">Copyright © 시사위크, 무단 전재 및 재배포 금지.</p> 관련자료 이전 AI경쟁력 강화 나선 과기정통부, 피지컬AI·AX사업 혁신 속도 01-26 다음 KT, 박윤영號 막아선 김영섭의 '뒤끝' 01-26 댓글 0 등록된 댓글이 없습니다. 로그인한 회원만 댓글 등록이 가능합니다.