홍승범·조은애 카이스트 신소재공학과 교수 공동연구진이 실험 데이터가 일부 누락된 상황에서도 배터리 양극재의 입자 크기를 정확하게 예측하고, 예측 결과의 신뢰 수준까지 함께 제시하는 머신러닝 프레임워크를 개발했다고 26일 밝혔다.
현재 전기차 배터리에 가장 널리 활용되는 양극재로는 니켈(Ni)·코발트(Co)·망간(Mn)을 섞은 NCM 계열 금속 산화물이 꼽힌다. 이 소재는 배터리 수명과 충전 속도, 주행 거리, 안전성 등 핵심 성능에 직결되는 만큼, 제조 공정의 정밀 제어가 중요하다.
연구진은 양극재를 구성하는 미세한 1차 입자의 크기가 성능을 좌우하는 핵심 요인이라는 점에 주목했다. 이에 1차 입자 크기를 보다 정확히 예측하고, 공정 조건을 효율적으로 찾을 수 있는 인공지능(AI) 기반 기술을 설계했다.
기존에는 입자 크기를 파악하기 위해 소결 온도와 시간, 재료 조성 등 다양한 조건을 바꿔가며 반복 실험을 수행해야 했다. 그러나 실제 연구 현장에서는 모든 조합을 빠짐없이 측정하기 어렵고, 실험값이 누락되는 경우도 잦아 공정 조건과 입자 크기 사이의 관계를 정밀하게 분석하는 데 한계가 있었다.
이번에 제안된 프레임워크는 누락된 실험 데이터를 화학적 특성을 반영해 보완하는 기술과, 예측의 불확실성을 함께 계산하는 확률적 머신러닝 모델을 결합한 것이 특징이다. 다시 말해, 단순히 입자 크기가 얼마일 것이라는 숫자만 내놓는 것이 아니라 그 예측을 어느 정도까지 믿을 수 있는지에 대한 정보도 동시에 제공한다.
연구진은 실험 데이터를 확장해 학습을 진행한 결과, 해당 AI 모델이 약 86.6%의 높은 예측 정확도를 보였다고 설명했다.
홍승범 교수는 "모든 실험을 다 하지 않더라도 성공 가능성이 높은 조건을 먼저 찾아갈 수 있는 길을 열었다는 점에서 의미가 크다"며 "배터리 소재 개발 속도를 높이고 불필요한 실험과 비용을 크게 줄일 수 있을 것"이라고 말했다.
이번 연구 결과는 국제 학술지 '어드밴스드 사이언스(Advanced Science)'에 지난해 10월 게재됐다.
참고 자료
Advanced Science(2025), DOI: https://doi.org/10.1002/advs.202515694