ホン・スンボム・チョ・ウネKAIST新素材工学科教授の共同研究チームが、実験データの一部が欠落した状況でも電池正極材の粒子サイズを正確に予測し、予測結果の信頼水準まで併せて示す機械学習フレームワークを開発したと26日明らかにした。
現在、電気自動車用電池で最も広く活用されている正極材としては、ニッケル（Ni）・コバルト（Co）・マンガン（Mn）を混合したNCM系金属酸化物が挙げられる。この素材は電池の寿命、充電速度、走行距離、安全性などの中核性能に直結するため、製造工程の精密制御が重要である。
研究チームは、正極材を構成する微細な一次粒子のサイズが性能を左右する核心要因である点に着目した。そこで一次粒子サイズをより正確に予測し、工程条件を効率的に見いだせる人工知能（AI）基盤技術を設計した。
従来は粒子サイズを把握するため、焼結温度と時間、材料組成など多様な条件を変えながら反復実験を行う必要があった。しかし実際の研究現場ではすべての組み合わせを漏れなく測定するのは難しく、実験値が欠落する場合も多いため、工程条件と粒子サイズの関係を精密に分析するには限界があった。
今回提案されたフレームワークは、欠落した実験データを化学的特性を反映して補完する技術と、予測の不確実性を併せて算出する確率的機械学習モデルを結合した点が特徴である。言い換えれば、単に粒子サイズがいくつになりそうかという数値だけを出すのではなく、その予測をどの程度まで信頼できるかという情報も同時に提供する。
研究チームは実験データを拡張して学習を進めた結果、当該AIモデルが約86.6%という高い予測精度を示したと説明した。
ホン・スンボム教授は「すべての実験を行わなくても成功可能性の高い条件を先に見つけていける道を開いたという点で意義が大きい」と述べ、「電池素材の開発スピードを高め、不要な実験と費用を大きく削減できるだろう」と語った。
今回の研究結果は国際学術誌『アドバンスト・サイエンス（Advanced Science）』に2024年10月に掲載された。
参考資料
Advanced Science(2025), DOI: https://doi.org/10.1002/advs.202515694