AI 기반 배터리 수명 예측으로 새로운 설계 검증 강화

미시간 대학에서 구축한 AI 도구는 이전 배터리 테스트를 활용하여 새로운 디자인의 성능을 예측합니다. (이미지 :Xin Zou, 위스콘신 대학교 매디슨 캠퍼스)

기술 개요: 이 프로젝트를 시작하게 된 동기는 무엇입니까?

송쯔유: 저는 학계와 업계에서 모두 일해 왔기 때문에 배터리 테스트 및 검증과 관련하여 어려움이 있다는 것을 알고 있습니다. 새로운 배터리 디자인이 나오면 이전 배터리와 크게 다르지 않더라도 항상 비슷한 조건에서 모든 실험실 테스트를 진행합니다. 그러려면 최소 6개월이 소요되고 많은 에너지가 소모됩니다. 그래서 크게 다르지 않은 새로운 디자인이 있다면 이전 데이터 세트를 사용할 수 있는지 궁금했습니다. 이전 설계의 지식과 데이터 패턴을 활용하여 새 설계의 수명을 예측할 수 있습니까? 그러면 시간과 에너지가 많이 절약될 것입니다.

우리는 이 문제를 신흥 분야인 과학용 AI의 관점에서 바라보고 있습니다. 과학적 예측은 가장 중요한 문제 중 하나입니다. 우리는 특히 머신러닝 방법의 비용 효율성에 중점을 두고 있습니다. 더 좋거나 유사한 예측 성능을 달성하기 위해 가능한 최소한의 데이터를 어떻게 사용할 수 있습니까?

기술 개요: 배터리 디자인이 전작과 다르다면 어떻게 대처하시나요?

노래: 이 질문에 대해 우리는 특정 프레임워크를 조사해야 합니다. 우리는 인간이 세상을 인식하고 지식을 얻는 방식을 모방하기 위해 수십 년 전 연구의 개념을 활용했습니다. 예를 들어, 우리는 대략적으로 관찰을 통해, 정확하게 수업을 듣거나 다른 사람에게 질문함으로써 많은 것을 배웁니다. 우리 프레임워크는 발견 학습이라는 교육 접근 방식을 활용합니다. 새로운 배터리 설계가 있으면 이를 기존 배터리 셀에 매핑하여 새로운 설계에 해당 데이터 세트를 어떻게 사용할 수 있는지 확인하여 장기간 테스트하지 않고도 수명 예측을 할 수 있습니다.

우리는 초기 매개변수와 처음 수십 사이클 동안 매개변수가 어떻게 진화하는지 관찰하기 위해 새로운 설계를 테스트합니다. 그런 다음 완전한 데이터 세트가 있으므로 이 패턴을 이전 배터리에 매핑하려고 합니다. 유사한 패턴이 보이면 새로운 디자인이 이전 디자인과 유사하다는 것을 알 수 있습니다. 그런 다음 해당 지식과 데이터 패턴을 활용하여 새 배터리의 수명을 예측할 수 있습니다.

기술 개요: 배터리를 테스트할 때 상당한 에너지를 사용한다고 하셨습니다. 부하가 걸린 상태에서 배터리를 테스트하기 때문인가요?

노래: 네, 맞습니다. 특히 실험실 주기 테스트를 위해 배터리 셀을 테스트할 때 예를 들어 1,000사이클, 2,000사이클 등 여러 번 충전 및 방전해야 하므로 많은 에너지가 소모됩니다. 따라서 50사이클만 수행할 수 있다면 많은 비용을 절약할 수 있습니다.

우리는 더 적은 주기로 검증할 뿐만 아니라 더 적은 수의 셀도 검증합니다. 예를 들어 이전에는 다양한 작동 조건을 포괄하고 싶었기 때문에 다양한 조건에서 테스트하려면 100개의 셀, 100개의 채널을 사용해야 했습니다. 하지만 이제는 그중 일부(예:셀 10개, 작동 조건 10개, 사이클 50개)만 다루면 됩니다. 따라서 우리는 짧은 사이클링 시간과 더 적은 수의 배터리 셀 테스트를 통해 에너지를 절약합니다.

기술 개요: 테스트하는 조건은 무엇입니까?

노래: 온도는 매우 중요한 지표입니다. 또 하나는 배터리를 사용하는 방법입니다. 예를 들어, 당신이 휴대폰을 가지고 있고 나도 휴대폰을 가지고 있다면 우리는 아마도 그것들을 매우 다른 방식으로 사용하고 있을 것입니다. 나는 휴대폰을 항상 완전히 충전하고 싶어서 휴대폰 배터리가 매우 빨리 소모됩니다. 하지만 휴대폰을 SOC(충전 상태) 범위의 중간에서만 사용하면 수명이 더 길어질 수 있습니다. 사람마다 배터리를 사용하는 방식이 다르기 때문에 최대한 많은 조건을 다루고자 합니다.

기술 개요: 시스템에는 학습자, 통역사, 오라클이라는 세 가지 구성 요소가 있다는 것을 읽었습니다. 이에 대해 설명해 주시겠습니까?

노래: 이것이 발견 학습의 세 가지 구성 요소입니다. 첫 번째는 학습자입니다. 질문을 하고 테스트할 셀 디자인과 셀 프로토타입을 결정하는 사람입니다. 학습자는 명령을 통역사에게 전달하고 통역사는 초기 사이클링 테스트 데이터를 활용하여 배터리 전문가가 해석할 수 있는 기능과 같은 물리적 매개변수로 구성된 기능 공간을 구축합니다. 따라서 우리는 의미 없는 통계적 특징을 사용하는 것이 아닙니다. 우리는 배터리 엔지니어나 과학자가 해석할 수 있는 기능을 사용하고 있습니다. 그런 다음 통역사는 이러한 기능을 오라클에 제공합니다. 오라클은 소위 제로 샷 학습을 수행합니다. 이는 추가 실험 없이 새로운 배터리 설계의 수명을 예측한다는 의미입니다. 그런 다음 오라클은 예측 결과를 학습자에게 다시 전달하고, 학습자는 이러한 결과를 신뢰하고 학습하게 됩니다. 여러 번 실행한 후 학습자는 스스로 새로운 배터리 설계를 예측할 수 있게 됩니다. 그리고 마지막으로 학습자와 오라클이 함께 모든 배터리 샘플에 대해 예측을 하게 됩니다.

기술 개요: 송 교수님께서는 지금 하고 계신 일과 패턴이 비슷한 배터리를 선택해서 학습하신다고 하셨습니다. 모델로 사용할 배터리를 어떻게 선택하나요?

노래: 그것은 주로 통역사로부터 나온 것입니다. 예를 들어, 새로운 디자인의 진화하는 매개변수 세트가 있는 경우 이를 이전 배터리 디자인에 매핑하여 패턴이 어떻게 비교되는지 확인할 수 있습니다. 또한 Oracle은 이전 설계를 사용하여 교육되었기 때문에 이를 활용합니다. 또한 통역사는 우리가 관심 있는 매개변수에 대해 알려줄 수 있습니다. 예를 들어, 배터리 수명에 매우 중요한 매개변수가 11개 또는 14개 있다고 생각되면 인터프리터를 사용하여 초기 테스트 데이터에서 해당 매개변수를 가져옵니다.

그런 다음 Oracle을 활용하여 이러한 매개변수 세트를 입력으로 사용하고 설계 수명을 예측합니다. 하지만 물론 오라클은 첫 번째 라운드에서 정확한 결과를 제공할 수 없으므로 불확실성을 줄이고 시간이 지남에 따라 더 나은 결과를 얻기 위해 반복해야 합니다.

그것이 너무 정확하지 않다는 것을 알고 있으므로 학습자로부터 두 번째 실행을 수행합니다. 결과를 얻으면 제가 선택한 세 가지 배터리 디자인의 수명을 알려주세요. 하지만 특정 디자인이나 테스트 조건에 대해서는 여전히 확신이 없습니다. 그래서 두 개의 셀을 더 선택하고 절차를 다시 한 번 다시 실행할 수 있습니다. 이것이 사람들이 학습하는 방식입니다. 다양한 조건에 대해 반복합니다.

기술 개요: 예측을 했다면 자신이 옳았다는 것을 어떻게 증명할 수 있나요?

노래: 그래서 새 배터리에 대한 첫 번째 라운드에서는 직관적으로 대표적인 테스트 조건을 선택합니다. 예를 들어 저온 성능, 고온 성능, 중온 성능, 고방전율, 저방전율에 관심을 두고 있습니다. 두 번째 라운드에서는 추가 셀을 선택하는 데 도움이 되는 몇 가지 정량적 데이터가 있습니다. 그런 다음 가우스 프로세스 회귀를 사용하여 예측의 불확실성을 제공합니다. 그런 다음 가장 불확실한 예측을 선택하고 해당 조건을 다시 실행하여 원래 예측을 확인합니다.

이는 현장에서 일반적인 관행이므로 대부분의 사람들이 이를 신뢰합니다. 그러나 논문을 발표했을 때 불확실성 정량화가 올바른지 어떻게 확인할 수 있는지 묻는 의견을 받았습니다. 방법은 솔직히 여러 가지가 있는데, 전부 다 해보지는 못했지만 앞으로는 다 해볼 예정입니다.

기술 개요: 배터리 제조업체가 귀하의 결과에 관심이 있다고 가정해 보겠습니다. 그가 당신의 예측에 따라 조립 라인에서 배터리 제조를 시작할 만큼 당신을 신뢰할까요?

노래: 좋은 질문이네요. 적어도 우리가 거의 4년 동안 협력해 온 한 배터리 회사의 경우에는 그렇다고 생각합니다. 그리고 우리의 협력을 통해 그들은 우리에게 모든 데이터를 제공합니다. 우리는 엔지니어들과 결과에 대해 논의해 왔으며 그들은 결과가 신뢰할 만하다고 생각합니다. 따라서 새로운 배터리 디자인을 사용하는 경우, 특히 이전 디자인과 크게 다르지 않은 경우에는 우리 프레임워크가 작동할 수 있습니다.

그러나 나는 또한 우리 연구의 한계를 지적하고 싶습니다. 이는 매우 중요합니다. 예를 들어, 새로운 배터리 디자인이 이전 배터리 디자인과 크게 다른 경우 제한 사항을 긍정적으로 지정할 수 없습니다. 프레임워크는 마술이 아닙니다. 현재 가지고 있는 도메인 지식이 새로운 디자인과 매우 다르다면 어떻게 예측할 수 있습니까?

우리는 이러한 질문을 정량화하는 방법론을 얻지 못했습니다. 이는 이 작업의 범위를 벗어납니다. 하지만 더 나아갈 가치가 있다고 생각합니다. 예를 들어, 우리 연구에서는 전통적인 리튬 배터리만 다루고 고체 또는 리튬 금속과 같은 일부 고급 기술은 포함하지 않습니다.

기술 개요: 그럼 표준 리튬이온 배터리만 커버하는 건가요?

노래: 정확합니다. 현재 대부분의 제품은 표준 리튬 이온 배터리를 사용합니다. 그러나 일반적으로 사용되는 리튬 배터리 셀의 경우에도 새로운 디자인이 있으면 전기 자동차 회사나 배터리 회사는 각 디자인에 대해 1년 동안 테스트를 수행합니다. 따라서 우리 도구는 현재 매우 유용합니다. 하지만 디자인이 매우 다를 때 어떻게 해야 하는지에 대한 제한이 있습니다.

기술 개요: 물리학 기반 분석에 대해서도 언급하셨습니다. 그게 무슨 뜻인가요?

노래: 이는 소위 제1원리 모델이라고 불리는 물리학 기반 모델을 사용한다는 의미입니다. 예를 들어 Fick의 법칙 확산 방정식과 같은 매우 기본적인 물리 방정식이 있습니다. 이를 사용하여 물리적으로 해석 가능한 기능을 생성할 수 있습니다. 예를 들어 이전의 많은 논문에서는 전압 및 전류 측정에서 파생된 기능만 사용했지만 이러한 기능의 구체적인 물리적 의미는 알지 못했습니다.

특정 추세를 따르는 매개변수를 기반으로 매개변수 교정과 물리적 모델링을 통합함으로써 배터리 셀의 내구성이 충분한 이유 또는 일종의 성능 저하 메커니즘이 있을 수 있는 이유를 알려줄 수 있습니다. 그러면 예측이 더욱 신뢰할 수 있고 설명하기 쉬워집니다.

기계 학습만 사용하고 물리학에 주의를 기울이지 않는 경우 기계 학습 모델을 교육하는 데이터 세트는 사례의 95%에 대해 작동할 수 있는 예측을 제공할 수 있습니다. 하지만 이는 당신에게는 효과가 있을지 모르지만 나에게는 효과가 없을 수도 있다는 뜻입니다. 그리고 만약 그것이 나에게 효과가 없다면 그것은 나에게 물리학과 일치하지 않는 터무니없는 예측을 줄 수도 있고 그것은 실제로 용납될 수 없습니다. 정확성에 관해서는 아마도 1%의 오류는 괜찮을 것이고 어쩌면 2%의 오류일 수도 있습니다. 터무니없고 터무니없는 추정이 아닌 믿을 수 있는 추정을 드리고 싶습니다.

기술 개요: 물리적 매개변수를 시스템에 어떻게 입력합니까?

노래: 시스템 응답을 나타내는 모델이 있습니다. 매개변수가 응답과 관계가 있다는 것을 알고 있습니다. 따라서 우리는 해석기를 사용하여 해당 매개변수의 통계적 분포를 얻습니다. 이렇게 많은 매개변수를 정확하게 교정하는 것은 매우 어렵기 때문입니다. 기존의 우수한 설계 및 데이터 세트의 경우 매개변수 보정과 분포를 수행하고 매개변수 분포와 추세를 배터리 셀의 수명에 매핑하려고 합니다. 기존 배터리 설계의 경우 전체 수명주기 테스트 데이터를 보유하고 있기 때문에 실제 관계를 확인할 수 있기 때문입니다. 그런 다음 우리는 새로운 배터리 설계에 이러한 관계를 활용하려고 노력합니다.

기술 개요: 다음 단계는 무엇입니까?

노래: 이 작업에 대한 나의 계획은 프레임워크의 한계를 파악하는 것입니다. 모든 배터리가 아닌 제한된 배터리 디자인만 테스트할 수 있습니다. 지금 우리는 전고체 배터리, 리튬 금속, 리튬 황 배터리 등에 대해 이야기하고 있으며, 이들 배터리는 모두 서로 다른 화학적 성질을 가지고 있습니다. 그래서 우리는 이 프레임워크가 새로운 종류의 배터리에 잘 작동할 수 있는지 확인하고 싶습니다. 그렇지 않다면 우리가 해야 할 일이 무엇인지 알아보고 싶습니다. 프레임워크는 여전히 잘 작동할 것이라고 생각하지만 배터리 화학에 따라 내부 물리학이 매우 다르기 때문에 변경이 필요합니다.

배터리 피플에게 가장 중요한 구성 요소는 통역사입니다. 우리는 이 분야에서 할 일이 많습니다. 예를 들어, 물리 기반 모델링을 강화하여 고체 배터리 모델링 성능을 향상시킬 수 있습니다.