AI로 배터리 수명 정확히 예측: DOE 아르곤 국립연구소 연구

새로운 연구에서 미국 에너지부(DOE) 아르곤 국립연구소의 연구자들은 머신러닝을 활용하여 다양한 배터리 화학 조성의 수명을 예측했습니다. 아르곤에서 수집한 6가지 배터리 화학을 대표하는 300개 배터리 세트의 실험 데이터를 사용하여, 과학자들은 다양한 배터리가 얼마나 오랫동안 사이클을 지속할지 정확하게 결정할 수 있습니다.

머신러닝 알고리즘에서 과학자들은 컴퓨터 프로그램에 알려진 초기 데이터 세트를 입력하여 추론하도록 훈련시키고, 그 훈련에서 배운 것을 새로운 미지의 데이터 세트에 대한 의사결정에 활용합니다.

"휴대폰부터 전기차, 그리드 저장장치까지 모든 배터리 애플리케이션에서 배터리 수명은 근본적으로 중요합니다."라고 이 연구의 저자인 아르곤 계산 과학자 노아 폴슨(Noah Paulson)은 말했습니다. "배터리가 고장 날 때까지 수천 번 사이클을 돌리는 데는 수년이 걸릴 수 있습니다. 우리 방법은 다양한 배터리가 어떻게 수행될지 빠르게 파악할 수 있는 일종의 계산 테스트 주방을 만듭니다."

"현재 배터리 용량 감소를 평가하는 유일한 방법은 실제로 배터리를 사이클링하는 것입니다."라고 이 연구의 또 다른 저자인 아르곤 전기화학자 수잔 '수' 바비넥(Susan "Sue" Babinec)은 덧붙였습니다. "비용이 많이 들고 시간이 오래 걸립니다."

폴슨에 따르면 배터리 수명 확립 과정은 까다로울 수 있습니다. "현실은 배터리가 영원히 지속되지 않으며, 얼마나 오래 지속되는지는 우리가 사용하는 방식뿐만 아니라 설계와 화학 조성에 달려 있습니다."라고 그는 말했습니다. "지금까지 배터리가 얼마나 오래 갈지 알 수 있는 좋은 방법이 없었습니다. 사람들은 새 배터리에 돈을 써야 할 때까지 얼마나 남았는지 알고 싶어 할 것입니다."

이 연구의 독특한 측면 중 하나는 아르곤에서 수행된 광범위한 실험 작업, 특히 아르곤의 특허 받은 니켈-망간-코발트(NMC) 기반 양극 재료에 의존했다는 점입니다. "우리는 서로 다른 화학을 대표하는 배터리를 가지고 있었고, 이들은 서로 다른 방식으로 열화되고 고장 났습니다."라고 폴슨은 말했습니다. "이 연구의 가치는 서로 다른 배터리가 어떻게 수행되는지 특징적인 신호를 주었다는 것입니다."

이 분야의 추가 연구는 리튬이온 배터리의 미래를 안내할 잠재력이 있습니다. "우리가 할 수 있는 것 중 하나는 알려진 화학에 대해 알고리즘을 훈련시키고 알려지지 않은 화학에 대해 예측하게 하는 것입니다."라고 그는 말했습니다. "본질적으로 알고리즘은 더 긴 수명을 제공하는 새롭고 개선된 화학을 향한 방향을 제시하는 데 도움을 줄 수 있습니다."

이런 방식으로 폴슨은 머신러닝 알고리즘이 배터리 소재 개발과 테스트를 가속화할 수 있다고 믿습니다. "새로운 소재가 있고 몇 번 사이클링했다고 가정해 보세요. 우리 알고리즘을 사용하여 수명을 예측한 다음, 실험적으로 계속 사이클링할지 여부를 결정할 수 있습니다."

"연구실 연구자라면 더 빠른 평가 방법 덕분에 더 짧은 시간에 더 많은 소재를 발견하고 테스트할 수 있습니다."라고 바비넥이 덧붙였습니다.

이 연구에 기반한 논문, "머신러닝을 이용한 배터리 수명 조기 예측을 위한 특징 엔지니어링(Feature engineering for machine learning enabled early prediction of battery lifetime)"은 Journal of Power 2월 25일 온라인 판에 게재되었습니다.