AI 기반 배터리 수명 예측, 신규 설계 검증 기간 대폭 단축

미시건 대학교에서 구축한 AI 도구는 이전 배터리 테스트 데이터를 활용해 새로운 설계의 성능을 예측합니다. (이미지: Xin Zou, 위스콘신-매디슨 대학교)

Tech Briefs: 이 프로젝트를 시작한 동기는 무엇입니까?

Ziyou Song: 저는 학계와 업계 모두에서 일해왔기 때문에 배터리 테스트와 검증의 고충을 잘 압니다. 새로운 배터리 설계가 이전 것과 크게 다르지 않더라도, 우리는 항상 비슷한 조건에서 모든 실험실 테스트를 수행합니다. 이는 최소 6개월이 걸리고 많은 에너지를 소모합니다. 그래서 새로운 설계가 크게 다르지 않다면, 이전 데이터셋을 활용할 수 없을까? 이전 설계의 지식과 데이터 패턴을 활용해 새로운 설계의 수명을 예측할 수 있을까? 그러면 많은 시간과 에너지를 아낄 수 있습니다.

우리는 이 문제를 '과학을 위한 AI(AI for science)' 관점에서 바라보고 있습니다. 이는 신흥 분야로, 과학적 예측이 가장 중요한 문제 중 하나입니다. 우리는 특히 머신러닝 방법의 비용 효율성에 초점을 맞춥니다. 어떻게 하면 최소한의 데이터로 동등하거나 더 나은 예측 성능을 달성할 수 있을까요.

Tech Briefs: 배터리 설계가 이전 것과 같지 않은데 어떻게 대처합니까?

Song: 이 질문에 답하려면 우리 프레임워크를 자세히 봐야 합니다. 우리는 수십 년 전 연구의 개념을 활용해 인간이 세상을 인식하고 지식을 얻는 방식을 모방했습니다. 예를 들어, 우리는 관찰을 통해 대략적으로 배우고, 수업을 통해 정확하게 배우거나, 타인에게 물어봄으로써 배웁니다. 우리 프레임워크는 '발견 학습(discovery learning)'이라는 교육 방식을 활용합니다. 새로운 배터리 설계가 있으면, 기존 배터리 셀에 매핑하여 그들의 데이터셋을 우리 새 설계에 어떻게 활용할지 파악해, 장시간 테스트 없이 수명 예측을 합니다.

새 설계를 테스트해 초기 파라미터와 처음 몇 십 사이클 동안의 변화를 관찰합니다. 그런 다음 이 패턴을 이전 배터리들에 매핑해보는데, 우리는 그들에 대한 완전한 데이터셋을 가지고 있습니다. 유사한 패턴이 보이면 우리 새 설계가 이전 것과 유사함을 알게 됩니다. 그러면 그 지식, 데이터 패턴을 활용해 새 배터리의 수명을 예측할 수 있습니다.

Tech Briefs: 배터리 테스트에 상당한 에너지를 쓴다고 하셨는데, 부하 하에서 테스트하기 때문입니까?

Song: 네, 정확히 그렇습니다. 배터리 셀을 테스트할 때, 특히 실험실 사이클 테스트에서는 수천 번(예: 1,000사이클, 2,000사이클) 충방전을 반복해야 하므로 많은 에너지를 소비합니다. 50사이클만 해도 많은 에너지를 아낄 수 있습니다.

우리는 더 적은 사이클로 검증할 뿐만 아니라 더 적은 셀로 검증합니다. 예를 들어, 이전에는 다양한 작동 조건을 커버하기 위해 100개 셀, 100개 채널로 테스트해야 했습니다. 하지만 이제는 일부만 커버하면 됩니다. 예를 들어 10개 셀, 10개 작동 조건, 50사이클. 이렇게 짧은 사이클 시간과 더 적은 셀 테스트로 양쪽에서 에너지를 아낍니다.

Tech Briefs: 어떤 조건들을 테스트합니까?

Song: 온도는 매우 중요한 지표입니다. 또 다른 것은 배터리 사용 방식입니다. 예를 들어, 당신과 제가 각자 휴대폰을 가지고 있다고 해보죠. 우리는 아마도 매우 다르게 사용할 겁니다. 저는 폰을 항상 완충 상태로 두고 싶어해서 배터리가 빨리 열화됩니다. 하지만 당신이 SOC(충전 상태) 중간 범위에서만 사용하면 더 오래 갈 겁니다. 사람들이 배터리를 다르게 쓰기 때문에 최대한 많은 조건을 커버하려 합니다.

Tech Briefs: 시스템의 세 구성요소인 학습자(learner), 해석자(interpreter), 오라클(oracle)에 대해 설명해 주세요.

Song: 이들이 우리 발견 학습의 세 구성요소입니다. 첫째는 학습자, 즉 질문을 던지고 어떤 셀 설계와 프로토타입을 테스트할지 결정하는 주체입니다. 학습자는 해석자에게 명령을 전달하는데, 해석자는 초기 사이클 테스트 데이터를 활용해 물리적 파라미터, 즉 특징(feature)으로 구성된 특징 공간(feature space)을 구축합니다. 이렇게 하면 배터리 전문가가 해석할 수 있는 특징을 얻게 됩니다. 우리는 무의미한 통계적 특징이 아닌, 배터리 엔지니어나 과학자가 해석할 수 있는 특징을 사용합니다. 해석자는 이 특징들을 오라클에 제공합니다. 오라클은 소위 '제로샷 학습(zero-shot learning)'을 수행하는데, 이는 추가 실험 없이 새로운 배터리 설계의 수명을 예측한다는 뜻입니다. 오라클은 예측 결과를 학습자에게 돌려주고, 학습자는 이 결과를 신뢰하고 학습합니다. 여러 번 실행 후 학습자는 스스로 새로운 배터리 설계를 예측할 수 있게 됩니다. 마지막으로 학습자와 오라클이 함께 모든 배터리 샘플에 대한 예측을 수행합니다.

Tech Briefs: 교수님, 현재 작업과 패턴이 유사한 배터리를 학습 대상으로 고른다고 하셨는데, 어떤 배터리를 모델로 쓸지 어떻게 선택합니까?

Song: 주로 해석자에서 나옵니다. 예를 들어, 새 설계의 진화하는 파라미터 세트가 있으면, 이를 이전 배터리 설계에 매핑해 패턴을 비교합니다. 또한 오라클도 활용하는데, 이는 이전 설계들로 훈련되었기 때문입니다. 해석자는 우리에게 관심 있는 파라미터들을 알려줍니다. 예를 들어 배터리 수명에 매우 중요한 11개나 14개 파라미터가 있다고 생각하면, 해석자를 통해 초기 테스트 데이터에서 그 파라미터들을 얻습니다.

그런 다음 오라클이 이 파라미터 세트를 입력으로 받아 우리 설계의 수명을 예측합니다. 물론 오라클이 첫 라운드에서 정확한 결과를 줄 수는 없으므로, 불확실성을 줄이고 시간이 지남에 따라 더 나은 결과를 얻기 위해 반복합니다.

첫 라운드가 그다지 정확하지 않다는 걸 알기 때문에, 학습자로부터 두 번째 실행을 합니다. 결과를 받고 세 배터리 설계의 수명을 알려줍니다. 하지만 특정 설계나 테스트 조건에 대해서는 여전히 불확실합니다. 그래서 두 개 셀을 더 골라 절차를 다시 반복합니다. 이게 사람들이 배우는 방식입니다. 다양한 조건에 대해 반복합니다.

Tech Briefs: 예측을 내놓은 후, 그것이 맞다는 걸 어떻게 증명합니까?

Song: 새 배터리의 첫 라운드에서는 대표적 테스트 조건을 직관적으로 선택합니다. 예를 들어 저온 성능, 고온 성능, 중온 성능, 고방전율, 저방전율을 고려합니다. 두 번째 라운드에서는 정량적 데이터가 있어 추가 셀 선택을 돕습니다. 가우시안 프로세스 회귀를 사용해 예측의 불확실성을 구합니다. 그런 다음 가장 불확실한 예측 조건을 다시 실행해 원래 예측을 확인합니다.

이건 이 분야에서 흔한 관행이라 대부분 신뢰합니다. 하지만 논문 발표 후 '불확실성 정량화가 맞는지 어떻게 확인하나?'라는 코멘트를 받았습니다. 다른 방법들도 있는데, 솔직히 다 시도해보진 않았지만 향후 계획 중입니다.

Tech Briefs: 배터리 제조사가 결과에 관심을 가진다면, 예측을 믿고 조립 라인에서 배터리를 생산할까요?

Song: 좋은 질문입니다. 적어도 거의 4년간 협업해온 한 배터리 회사는 그렇다고 생각합니다. 협업에서 그들이 모든 데이터를 제공했고, 엔지니어들과 결과를 논의했는데 그들이 결과를 신뢰한다고 했습니다. 그래서 이전 설계와 크게 다르지 않은 새 배터리 설계라면 우리 프레임워크가 작동합니다.

하지만 우리 연구의 한계도 지적하고 싶습니다. 매우 중요합니다. 예를 들어, 새 배터리 설계가 이전 것들과 매우 다를 경우 한계를 긍정적으로 특정할 수 없습니다. 프레임워크가 마법은 아닙니다. 현재 가진 도메인 지식이 새 설계와 매우 다르다면 어떻게 예측할 수 있겠습니까?

이 질문들을 정량화하는 방법론은 아직 없습니다. 이 연구 범위를 벗어납니다. 하지만 더 나아가 볼 가치가 있습니다. 예를 들어 우리 연구는 기존 리튬 배터리만 다루고 고체전해질이나 리튬-메탈 같은 더 첨단 기술은 포함하지 않습니다.

Tech Briefs: 그러니까 표준 리튬이온 배터리만 다루는 겁니까?

Song: 정확히 그렇습니다. 현재 대부분의 제품이 표준 리튬이온 배터리를 씁니다. 하지만 흔히 쓰이는 리튬 배터리 셀이라도 새 설계가 나오면 전기차 회사나 배터리 회사는 설계당 1년 테스트를 합니다. 그래서 우리 도구가 지금 매우 유용합니다. 한계는 매우 다른 설계가 나왔을 때 어떻게 할 것인가입니다.

Tech Briefs: 물리 기반 분석도 언급하셨는데, 그게 무슨 뜻입니까?

Song: 물리 기반 모델, 소위 제1원리 모델(first-principle model)을 사용한다는 뜻입니다. 예를 들어 픽의 법칙(Fick's law) 확산 방정식 같은 매우 기본적인 물리 방정식을 사용합니다. 이를 통해 물리적으로 해석 가능한 특징을 생성합니다. 많은 이전 논문에서는 전압과 전류 측정에서 파생된 특징만 사용했는데, 그 특징들의 구체적 물리적 의미를 모릅니다.

물리적 모델링을 파라미터 보정과 함께 접목하면, 파라미터가 특정 추세를 따를 때 배터리 셀이 왜 충분히 내구성이 있는지, 혹은 어떤 열화 메커니즘이 있을지 설명할 수 있습니다. 이는 예측을 더 신뢰할 수 있고 설명 가능하게 만듭니다.

단순히 머신러닝만 쓰고 물리에 신경 쓰지 않으면, 훈련 데이터셋이 95% 케이스에서 작동하는 예측을 줄 수 있습니다. 하지만 그건 당신한테는 맞을지 몰라도 나한테는 안 맞을 수 있습니다. 안 맞으면 물리와 모순되는 터무니없는 예측을 줄 수 있는데, 그건 실무에서 용납될 수 없습니다. 정확도 면에서 1% 오차는 괜찮고, 아마 2%도 괜찮습니다. 그저 믿을 수 있는 추정치를 주고 싶을 뿐, 터무니없고 미친 추정치는 주고 싶지 않습니다.

Tech Briefs: 물리적 파라미터를 시스템에 어떻게 입력합니까?

Song: 시스템 응답을 나타내는 모델이 있습니다. 파라미터가 응답과 관계가 있음을 압니다. 그래서 해석자를 사용해 그 파라미터들의 통계적 분포를 얻습니다. 그렇게 많은 파라미터를 정확히 보정하는 건 매우 어렵기 때문입니다. 기존 좋은 설계와 데이터셋이 있으면 파라미터 보정, 분포를 수행하고, 파라미터 분포와 추세를 배터리 셀 수명에 매핑해보려 합니다. 기존 배터리 설계는 전체 수명 주기 테스트 데이터가 있으므로 실제 관계를 볼 수 있습니다. 그런 관계를 새 배터리 설계에 활용하려 합니다.

Tech Briefs: 다음 단계는 무엇입니까?

Song: 이 작업 관련 제 계획은 프레임워크의 한계를 파악하는 것입니다. 모든 배터리 설계를 테스트할 순 없고 제한된 것만 테스트할 수 있습니다. 지금 고체전지, 리튬-메탈, 리튬-황 배터리 등이 거론되는데, 모두 화학이 다릅니다. 그래서 이 프레임워크가 새 종류의 배터리에도 잘 작동하는지 보고 싶습니다. 안 되면 뭘 해야 할지 탐구할 겁니다. 프레임워크는 여전히 잘 작동할 거라 생각하지만, 배터리 화학이 다르면 내부 물리가 매우 다를 것이므로 변경이 필요할 겁니다.

배터리 사람들에게 가장 중요한 구성요소는 해석자입니다. 이 분야에서 할 일이 많습니다. 예를 들어, 고체전지 모델링을 위해 물리 기반 모델링을 강화할 수 있습니다.