정보학 기반의 소재 발견 및 최적화는 실험 및 이론 데이터를 분석하고, 기능성 소재 일반, 특히 배터리 소재의 핵심적인 구조-물성 관계를 추출하는 강력한 도구가 되고 있다. 이러한 방향의 최신 접근법들은 일반적으로 고속 스크리닝(HT)과 머신러닝(ML)을 결합하여 차세대 배터리를 위한 새로운 전극 활물질 및 전해질 소재를 찾는 것을 목표로 한다.

주로 사용되는 ML 방법에는 의사결정나무(DTs), 베이즈 최적화(BO), 서포트 벡터 머신(SVM), 인공 신경망(ANNs) 등이 포함된다. 물리 기반 시뮬레이션, 실험 또는 이 둘 모두로부터 얻은 고신뢰성 데이터를 기반으로, ML 방법은 비교적 많은 수의 변수들 사이에서 복잡한 비선형 관계를 찾는 데 사용된다.

이는 궁극적으로 유사한 특성을 가진 소재를 분류하거나 새로운 소재의 목표 물성을 예측하는 데 도움을 준다.

전극 활물질의 경우, 주요 관심 대상 특성은 방전 용량, 용량 유지율, 부피 변화, 쿨롱 효율, 전압 프로파일, 산화-환원 전위 등이다. 전해질의 경우, 현재의 노력은 높은 이온 전도도와 우수한 기계적 특성을 가진 무기 고체 이온 전도체를 찾는 데 집중되어 있다.

AI 기반 소재 발견은 앞으로 여러 잠재적인 연구 방향을 가진, 빠르게 성장하는 분야라는 점을 지적하는 것이 중요하다. 그중 하나는 초고성능 배터리 발견을 가속화하기 위한 역설계(inverse design)이다.

소위 배터리 인터페이스 게놈(BIG)과 소재 가속화 플랫폼(MAP)은 이러한 탐구에서 유망한 이니셔티브이다.

여러 실험 기술과 시뮬레이션 방법의 데이터를 결합하여, BIG-MAP은 목표 물성을 가진 새로운 데이터를 생성할 수 있는 심층 생성 모델을 배포하고, 구체적으로는 배터리 내 고성능 계면(interphase)의 역설계를 가능하게 하는 것을 목표로 한다. 이는 '이러한 특성을 원하는데, 어떤 계면 구조를 만들어야 하는가?'라는 궁극적인 질문에 답하는 것이다.

>>  중간 생략 <<

▣ 향후 대응 방안

전통적인 실험 과정은 연구자의 화학적 직관과 시행착오적 테스트에 기반한다. 그러나 이 접근법은 본질적으로 느리고 경제적 비용이 많이 든다. 후보 물질군을 먼저 대량으로 합성한 다음 특성을 평가하는 고속(HT) 실험은, 특히 후보 물질이 사전의 빠른 계산 스크리닝을 통해 실험적 검증을 위해 선택될 때 이 문제를 부분적으로 완화할 수 있다.

그러나 새로운 배터리 소재를 찾기 위한 주기율표가 제공하는 조성 공간은 그야말로 거대하다. 그리고 HT 접근법의 적용 가능성은 화학 공간에 대한 내재적인 체계적 탐색 때문에 제한된다. 이는 종종 조합적 폭발(combinatorial explosion)을 야기하여 주어진 후보 공간을 모두 탐색하는 것을 비현실적으로 만든다.

이는 마치 보물섬(화학 공간)이 너무 광대하여, 모든 구역을 하나씩 순서대로 파보는(HT 스크리닝) 방식으로는 보물을 찾기 어려운 것과 같다.

AI 기반 접근법은 이 문제를 극복하는 데 도움을 줄 수 있다. 이 새로운 방법론의 핵심 아이디어는 순수한 HT 탐색에서 벗어나, 후보 공간을 선택적으로 항해(navigating)하는 것으로 이동하는 것이다.

이는 인공지능이라는 '보물 탐지기'를 사용하여 보물이 묻혀 있을 확률이 높은 곳만 골라서 탐사하는 것과 같다. 이렇게 함으로써, 필요한 실험이나 계산 집약적인 작업의 수를 크게 줄일 수 있다.

즉, 테스트 매트릭스를 많은 옵션에서 선택된 소수의 옵션으로 축소하여, 현재 배터리 소재 연구의 시행착오적 접근법에 소요되는 시간을 전례 없이 단축시킬 수 있다. 본질적으로, 이 새로운 패러다임은 전통적인 발견 과정을 최적화 문제로 재구성하며, 편향 없는 데이터 기반 알고리즘이 연구자의 화학적 직관을 모방하고 증강하고자 한다.

이 새로운 패러다임을 위한 대응 방안은 다음과 같다.

￭ 만능 소재 기술자(Descriptor)의 부재

ML 모델의 효율성과 궁극적인 성공은 적절한 기술자(descriptor)의 선택에 달려있다. 관련 물리학을 가능한 한 많이 인코딩하는 기술자는 더 잘 일반화되는 경향이 있다. 현재의 기술자는 특정 언어(예: 결정 구조)를 특정 주제(예: 이온 전도도)에 대해서만 번역할 수 있는 '전문 번역가'와 같다.

그러나 최근 몇 년간의 진전에도 불구하고, 임의의 목표 물성에 적합한 보편적인 기술자를 제공할 수 있는 자동화된 체계는 아직 체계적으로 구축되지 않았다. 모든 소재와 모든 물성에 대해 항상 최고의 성능을 내는 '만능 번역기'를 개발하는 것은 창의적인 발상을 요구하는 매우 어려운 과제이다.

￭ 데이터 부족 문제

ML 절차에서 기술자의 수는 많을 수 있지만, 훈련 데이터 세트의 크기는 상대적으로 작을 수 있다. 이러한 불균형은 일반적으로 모델이 훈련 데이터에만 과도하게 최적화되는 과대적합(overfitting) 문제로 이어질 수 있다.

적은 데이터로 너무 복잡한 모델을 훈련시키면, 모델이 데이터의 근본적인 패턴을 배우는 대신, 특정 데이터의 노이즈까지 암기해버려 새로운 데이터에 대한 예측력이 떨어지게 된다. 이를 완화하기 위해, 향후 연구 방향은 작은 데이터 세트에 특화된 ML 알고리즘(예: 계층적 ML, 강화 학습, 순차 학습 등)의 개발을 고려해야 한다.

유용한 추가 전략은 전이 학습(transfer learning)을 사용하는 것이다. 이는 이론 데이터를 실험 데이터에 통합하고, 계산된 데이터에 실험 기반 보정 계수(예: 편향 학습)를 적용하는 방식이다. 이는 물리학을 잘 아는 학생(이론 데이터 기반 모델)이 몇 가지 실제 실험 결과(실험 데이터)를 보고 자신의 지식을 현실에 맞게 '보정'하는 것과 같다.

￭ 미성숙한 표현과 불확실성

AI 방법은 복잡한 재료 속성을 지배하는 물리 법칙을 내재적으로 통합하지 않으므로, 모델 내에서의 오차 전파는 불확실하다. 대부분의 ML 모델은 물리 법칙을 이해하지 못하는 '블랙박스'와 같아서, 왜 그런 예측을 했는지 설명하기 어렵고 예측의 신뢰도를 보장하기 어렵다.

서로 다른 ML 모델의 교차 검증은, 예를 들어 동일한 벤치마크 데이터를 기반으로 한 실험적 또는 계산적 캠페인을 고려하여 광범위한 보정 테스트를 수행함으로써 이러한 불확실성을 정량화하는 데 도움이 될 수 있다.

그러나 모든 훈련 및 교차 검증 체계는 탐색 중인 전체 화학 공간을 대표하는 샘플을 필요로 한다. 진정으로 대표적인 샘플을 얻는 것은 실제로 매우 어려우며, 일반적으로 ML 모델의 오차 막대(error bars)와 전이성(transferability)을 평가하기 위한 더 나은 방법이 필요하다.

￭ 표준화의 부재

소재 분야에서 합의된 데이터 표준이 없다는 것은 데이터의 공유와 마이닝을 방해할 뿐만 아니라, ML 모델의 예측력과 효율적인 훈련을 향상시키는 데 중요한 데이터 큐레이션 및 상호 운용성을 저해한다.

전 세계의 도서관(데이터베이스)들이 각기 다른 분류 체계와 언어로 책(데이터)을 정리한다면, 책을 찾고, 비교하고, 종합하여 새로운 지식을 창출하기는 매우 어려울 것이다. 데이터 표준화는 이 도서관들의 분류 체계를 통일하는 것과 같다.

따라서 이 문제를 해결하고 가능한 한 다양한 이해관계자들 사이에서 데이터 표준을 공포하기 위해 워킹 그룹을 소집할 일반적인 필요성이 있다. 또한, 표준화된 이론 및 실험 테스트 세트의 제안과 통합은 사용자가 각 특정 작업에 가장 적합한 ML 방법을 식별하고 전문가가 기존 접근법에 대항하여 새로운 알고리즘을 개발하는 데 도움을 주어 매우 유익할 수 있다.

[이차전지 핵심 기술/시장 전망과 배터리산업 공정별 AIㆍ데이터분석 활용 사례와 전략] 보고서 상세보기

https://www.irsglobal.com/shop_goods/goods_view.htm?category=02000000&goods_idx=99406&goods_bu_id=