기계 학습으로 배터리 수명 예측

새로운 연구에서 미국 에너지부(DOE) 아르곤 국립 연구소의 연구원들은 다양한 배터리 화학 물질의 수명을 예측하기 위해 기계 학습으로 전환했습니다. 과학자들은 6가지 다른 배터리 화학 물질을 나타내는 300개 배터리 세트에서 Argonne에서 수집한 실험 데이터를 사용하여 서로 다른 배터리가 계속 순환할 시간을 정확하게 결정할 수 있습니다.

기계 학습 알고리즘에서 과학자들은 컴퓨터 프로그램에 입력된 알려진 데이터의 초기 세트에 대해 추론을 수행한 다음 해당 훈련을 통해 학습한 내용을 바탕으로 새로운 알 수 없는 데이터 세트에 대한 결정을 내리도록 컴퓨터 프로그램을 훈련시킵니다.

이 연구의 저자인 Argonne 컴퓨터 과학자 Noah Paulson은 "휴대폰에서 전기 자동차, 그리드 스토리지에 이르기까지 모든 종류의 배터리 응용 분야에서 배터리 수명은 근본적으로 중요합니다. ​“배터리가 고장날 때까지 수천 번 순환해야 하는 경우 몇 년이 걸릴 수 있습니다. 우리의 방법은 다양한 배터리의 성능을 신속하게 설정할 수 있는 일종의 컴퓨터 테스트 키친을 만듭니다."

이 연구의 또 다른 저자인 아르곤 전기화학자인 Susan "Sue" Babinec은 "현재로서는 배터리의 용량이 어떻게 감소하는지 평가할 수 있는 유일한 방법은 실제로 배터리를 순환시키는 것"이라고 덧붙였습니다. ​"매우 비싸고 시간이 오래 걸립니다."

Paulson에 따르면 배터리 수명을 설정하는 프로세스는 까다로울 수 있습니다. ​“현실은 배터리가 영원히 지속되지 않는다는 것입니다. 배터리의 지속 시간은 배터리를 사용하는 방식, 디자인 및 화학적 성질에 따라 달라집니다."라고 그는 말했습니다. ​"지금까지는 배터리가 얼마나 오래 갈지 알 수 있는 좋은 방법이 없었습니다. 사람들은 새 배터리에 돈을 써야 할 때까지 얼마나 남았는지 알고 싶어할 것입니다."

연구의 한 가지 독특한 측면은 다양한 배터리 양극 재료, 특히 Argonne의 특허 받은 NMC(니켈 망간 코발트) 기반 음극에 대해 Argonne에서 수행한 광범위한 실험 작업에 의존했다는 것입니다. Paulson은 "우리는 서로 다른 화학 물질을 나타내는 배터리를 가지고 있었는데, 서로 다른 방식으로 성능이 저하되고 고장날 수 있었습니다."라고 말했습니다. ​"이 연구의 가치는 다양한 배터리의 성능을 나타내는 신호를 제공했다는 것입니다."

이 분야에 대한 추가 연구는 리튬 이온 배터리의 미래를 안내할 잠재력이 있다고 Paulson은 말했습니다. "우리가 할 수 있는 것 중 하나는 알려진 화학에 대한 알고리즘을 훈련하고 알려지지 않은 화학에 대한 예측을 하게 하는 것입니다."라고 그는 말했습니다. ​"기본적으로 알고리즘은 더 긴 수명을 제공하는 새롭고 개선된 화학의 방향을 제시하는 데 도움이 될 수 있습니다."

이러한 방식으로 Paulson은 기계 학습 알고리즘이 배터리 재료의 개발 및 테스트를 가속화할 수 있다고 믿습니다. ​“새로운 재료가 있다고 가정하고 몇 번 순환합니다. 우리 알고리즘을 사용하여 수명을 예측한 다음 실험적으로 계속 순환할지 여부를 결정할 수 있습니다.”

"실험실의 연구원이라면 더 빠르게 평가할 수 있기 때문에 더 많은 재료를 더 짧은 시간에 발견하고 테스트할 수 있습니다."라고 Babinec이 덧붙였습니다.

"기계 학습을 위한 기능 공학으로 배터리 수명 조기 예측 가능" 연구에 기반한 논문이 Journal of Power