배터리가 없는 세상을 상상할 수 있나요? 스마트폰, 신에너지 자동차, 그리고 24시간 내내 작동하는 온갖 스마트 기기들은 전기화학 에너지 저장 기술을 기반으로 만들어졌습니다. 다시 말해, 배터리는 더 이상 단순한 에너지 저장 장치가 아니라 현대 생활, 산업 발전, 그리고 기술 발전을 지탱하는 "보이지 않는 장기"와 같습니다. 하지만 생명체가 결국 노화와 마모에 직면하듯이,배터리는 용량 감소, 성능 저하, 예측 불가능한 상태 변화와 같은 문제를 겪을 수도 있습니다.이는 기술 혁신과 에너지 전환을 저해하는 핵심적인 문제점으로 대두되었습니다.

차세대 배터리의 연구 및 대규모 적용을 위해서는 배터리 수명 주기를 정확하고 효율적으로 예측하는 것이 매우 중요하며, 이는 배터리의 신뢰성, 안전성 및 총 수명 주기 비용을 직접적으로 좌우합니다. 그러나 이 분야의 연구는 여러 어려움에 직면해 있습니다.첫째, 시간 소모가 매우 큽니다.배터리 하나의 전체 수명을 예측하는 데는 수년간의 집중적인 노력이 필요한데, 이는 연구 개발 속도에 비해 현저히 뒤처지는 것입니다.둘째로, 막대한 에너지 비용이 발생합니다.배터리 시제품 제작 및 테스트를 반복적으로 진행하는 과정에서 막대한 에너지가 소모되고 상당한 양의 탄소가 배출됩니다. 이러한 두 가지 주요 과제를 극복하지 못하면 혁신 비용이 크게 증가할 뿐만 아니라, 지속 가능한 에너지를 지향하는 배터리 기술이 정작 연구 개발 모델 자체에서는 지속 가능성을 확보하지 못하는 모순적인 "지속 가능성 딜레마"에 빠지게 될 것입니다.

이러한 배경 속에서 미시간대학교 앤아버 캠퍼스의 송쯔유 교수와 파라시스 에너지의 연구개발 부사장인 장웨이란이 공동으로 이 프로젝트를 이끌었습니다.이 연구는 "발견 학습(Discovery Learning, DL)"이라는 혁신적인 과학적 기계 학습 방법을 제안합니다.교육심리학에서 영감을 받은 이 방법은 능동 학습, 물리적 제약 학습, 제로샷 학습을 유기적으로 통합하여 인간과 유사한 추론을 위한 폐쇄 루프 학습 프레임워크를 구축합니다. 보수적인 가정 하에, 산업용 배터리 수명 검증 프로세스와 비교했을 때,발견 학습을 통해 98%의 평가 시간을 절약하고 95%의 에너지 소비를 절감할 수 있으며, 검증 주기를 약 1,333일에서 33일로, 에너지 소비량을 8.523MWh에서 0.468MWh로 줄일 수 있습니다.

"최소한의 실험으로 배터리 수명 주기를 예측하는 발견 학습"이라는 제목의 관련 연구 결과가 네이처(Nature)에 게재되었습니다.

연구 하이라이트:

* 본 논문에서는 능동 학습, 물리적 제약 학습, 제로샷 학습을 유기적으로 통합하여 인간과 유사한 추론을 위한 폐쇄 루프 학습 프레임워크를 구축하는 혁신적인 과학적 기계 학습 모델인 DL을 제안합니다. 

* 산업용 대용량 리튬 이온 파우치 배터리 123개의 열화 데이터셋을 구축하여 배터리 열화 연구 분야에서 공개된 대용량 배터리 데이터셋의 부족함을 보완했습니다.

* 98% 평가에서 시간 절약을, 95%에서 에너지 절약을 달성하여 검증 주기를 약 1,333일에서 33일로 단축했습니다.

서류 주소:

https://www.nature.com/articles/s41586-025-09951-7
저희 공식 위챗 계정을 팔로우하고 백그라운드에서 "Discover Learning"이라고 답장하시면 전체 PDF 파일을 받으실 수 있습니다.

산업용 수준의 배터리 성능 저하 데이터 세트와 소규모 공개 학습 데이터 세트를 구축합니다.

발견 학습 방법의 효과를 검증하기 위해 연구팀은 아래 그림과 같이 산업용 배터리 열화 데이터셋을 테스트 세트로 구축했습니다.

P는 파우치형 배터리를 나타내고, A는 사용자 지정 코드를 나타냅니다. 충방전 수명은 250회에서 1700회까지입니다.

이 테스트 세트에는 8가지 종류의 대용량 리튬 이온 파우치 셀 123개(용량 73~84Ah)가 포함되어 있습니다.이러한 전지는 PA-B1, PA-b2, PA-b3, PB-b1, PB-b2, PC-b1, PC-b2 및 PD와 같이 서로 다른 양극 및 음극 전극 재료 또는 배터리 설계를 사용합니다. PA(280 Wh kg⁻¹), PB(286 Wh kg⁻¹), PC(286 Wh kg⁻¹) 및 PD(315 Wh kg⁻¹) 전지 유형 간에는 상당한 설계 차이가 존재하지만, PB-b1과 PB-b2처럼 동일 배치 내 모델 간의 차이는 미미합니다. 또한, NMC9 양극(LiNi₀.₉Mn₀.₀₅Co₀.₀₅O₂, 니켈 원자 함량 90%)과 실리콘-탄소(Si-C) 복합 음극을 사용하는 PD 셀을 제외하고는, 나머지 셀들은 NMC811 양극과 흑연 음극을 기반으로 한다.

언급할 가치가 있는 것은 다음과 같습니다.현재 업계에는 완벽하게 검증된 대용량 배터리 데이터 세트가 없습니다. 연구팀이 제안한 데이터 세트는 배터리 열화 연구 데이터 세트의 공백을 메워줍니다.이는 고용량 배터리에 대한 추가 연구의 토대를 마련했습니다.

정확하고 효율적인 발견 학습 방법을 개발하기 위해 연구팀은 소형 원통형 배터리를 기반으로 하는 비용 부담 없는 공개 데이터 세트를 훈련 세트로 구축했습니다.

훈련 데이터 세트는 서로 다른 6개 상용 모델의 소형 원통형 배터리(1.1~3.5Ah) 200개로 구성됩니다.해당 제품들은 A123-M1A(리튬 철 인산염/흑연, 83 Wh kg⁻¹), LG-HG2(NMC811/SiOₓ-흑연, 246 Wh kg⁻¹), LG-MJ1(NMC811/Si-C, 255 Wh kg⁻¹), Samsung-25R(NiCoAl-NMC622/Si-C, 216 Wh kg⁻¹), Sony-VTC5A(NCA/SiOₓ-흑연, 196 Wh kg⁻¹), 그리고 Sony-VTC6(NCA/SiOₓ-흑연, 246 Wh kg⁻¹)입니다.

그림 b는 공개 데이터 세트의 사용법을 보여주고, 그림 c는 상위 50개 EFC(Equivalent Full Cycle Numbers)를 확대해서 보여줍니다.

평가 단계에서,연구팀은 재료, 설계 및 테스트 조건의 차이에 따라 123개의 배터리를 37개의 일관성 높은 실험 그룹으로 나누었습니다.궁극적인 예측 목표는 각 그룹의 평균 수명 주기입니다. 오차 평가는 개별 셀 수준과 배터리 팩 수준 모두에서 수행되어 방법의 성능과 기능을 종합적으로 검증합니다.

능동 학습, 물리적 제약 학습 및 제로샷 학습의 통합

기존의 배터리 수명 예측 방법은 주로 물리 모델 기반 방식과 데이터 기반 방식, 두 가지 접근법을 사용합니다. 이론적으로는 무한한 가능성을 제시하는 이 두 가지 방법 모두 실제 적용에서 치명적인 약점을 가지고 있습니다. 물리 모델의 경우, 배터리 열화 메커니즘에 대한 불완전한 이해로 인해 예측 정확도가 제한되어 장기적인 혁신을 저해합니다. 데이터 기반 방식의 경우, 수많은 추가적인 배터리 열화 실험을 통한 광범위한 학습이 필요하며, 기존 데이터를 완전히 재사용할 수 없습니다. 더욱 중요한 것은, 이러한 방법들은 일반적으로 배터리 프로토타입 제작 후에야 신뢰할 수 있는 예측을 제공하기 때문에, 특히 대규모 설계 시나리오로 확장할 때 효율성 측면에서 상당한 병목 현상을 초래한다는 점입니다.

발견 학습은 신속하고 신뢰할 수 있는 과학적 예측을 가능하게 하는 유연하고 확장 가능한 과학적 머신 러닝 방법입니다.예측 과정의 정확성과 효율성을 보장하는 동시에 학습 및 추론에 필요한 실험 비용을 최소화할 수 있습니다.이 방법은 1960년대 브루너의 발견 학습 이론에 기반을 두고 있는데, 이 이론은 인간의 학습 및 추론 효율성이 직접적인 관찰에만 의존하는 것이 아니라, 기존 지식과 과거 경험으로부터도 새로운 추론을 도출할 수 있다고 주장합니다. 따라서 발견 학습의 핵심 원칙은 다음과 같이 해석할 수 있습니다.신뢰할 수 있는 예측은 비용이 들지 않는 과거 배터리 데이터를 학습하고 레이블이 지정되지 않은 테스트 샘플에 대해 레이블이 지정된 쿼리를 수행함으로써 이루어집니다.이 원칙은 학습 및 추론 비용을 크게 줄일 뿐만 아니라 효율적인 과학적 예측을 가능하게 합니다.

구체적인 구현 방법 측면에서, 능동 학습, 물리적 제약 학습 및 제로샷 학습을 유기적으로 통합하기 위해 인간과 유사한 추론을 위한 폐쇄 루프 학습 프레임워크를 구축한다.연구팀은 이에 상응하는 세 가지 학습 모듈을 설계하고 학습자, 해석자, 오라클이라는 세 가지 핵심 주체를 정의했습니다(아래 그림 참조).

인터프리터는 물리적 제약 조건 학습의 실행자이며 발견 학습에서 특징 구성의 기반이 됩니다.이 방법의 핵심은 기존 배터리와 신규 배터리 간의 특징 분포 불일치를 해결하고, 배터리의 전기화학적 사이클링 데이터를 보편적으로 해석 가능한 물리적 특징 공간으로 변환하여, 후속 수명 예측을 위한 통합된 특징 입력값을 제공하는 것입니다. 구체적으로, 이 방법의 해석기는 시뮬레이션 기반 추론 기법과 물리-전기화학 모델을 결합하여 사용합니다.

Oracle은 제로샷 학습을 위해 특별히 설계되었으며, 발견 학습을 위한 초기 추론의 핵심입니다.본 연구의 핵심 솔루션은 배터리 수명 예측에서 발생하는 "과도한 데이터 수집 비용" 문제를 해결하여, 새로운 배터리 설계에 대한 열화 실험 없이 과거 배터리 데이터만을 사용하여 수명을 예측할 수 있도록 합니다. 이 연구는 기본 예측기와 메타 예측기로 구성된 이중 예측기 아키텍처를 설계했습니다. 기본 예측기는 물리적 특성을 입력으로 받아 배터리 사이클 수명을 출력합니다. 기본 예측기는 엘라스틱 넷 알고리즘과 결합된 선형 모델을 사용하여 구축되었습니다. 메타 예측기는 사이클 작동 조건을 입력으로 받아 각 물리적 특성의 가중 계수를 출력합니다. 메타 예측기는 서포트 벡터 회귀 모델을 사용하여 구축되었습니다.

학습자는 능동적 학습의 실행자이며 발견 학습의 효율성 최적화의 핵심입니다.본 연구의 핵심 목표는 실험적 추론 비용을 더욱 절감하는 것입니다. 정보 가치가 가장 높은 샘플을 적극적으로 선택함으로써, 물리적 특징 추출을 위한 실험이 필요한 배터리 프로토타입의 수를 줄여 궁극적으로 최소한의 실험 비용으로 전체 배터리 설계의 수명 예측을 달성할 수 있습니다. 본 연구에서는 scikit-learn 툴킷을 사용하여 구축된 가우시안 프로세스 회귀 알고리즘 기반의 학습자 예측 모델을 사용하며, 샘플 선택에 있어 비지도 학습과 지도 학습 전략을 모두 활용합니다.

구체적으로,학습자는 과거 배터리 설계 데이터 세트에서 가장 유용한 테스트 샘플을 능동적으로 선택합니다. 그런 다음 해석자는 물리적 제약 조건 학습을 사용하여 일반적이고 해석 가능한 물리적 특징 공간을 구축함으로써 과거 배터리와 알려지지 않은 배터리 간의 특징 분포 차이를 제거합니다. 이후, 오라클은 제로샷 학습을 수행하고, 해석자가 구축한 특징 공간을 기반으로 선택된 테스트 샘플에 대한 예비 추론을 수행한 다음, 추론 결과를 "의사 레이블"로 학습자에게 피드백합니다.이 과정은 미리 설정된 종료 조건이 충족될 때까지 반복되어 전체 예측 과정이 완료됩니다.

요약하자면, 미지의 배터리 설계에 대한 수명 주기 예측에 발견 학습 방법을 적용하면 수명 라벨링을 위한 추가적인 열화 실험이 필요 없어지고 초기 물리적 특성 추출에 필요한 프로토타입 제작이 크게 줄어듭니다. 이는 배터리 수명의 신속한 검증과 배터리 설계에 대한 효율적이고 정확한 피드백 제공을 위한 새로운 접근 방식을 제시하여 배터리 혁신을 가속화하고 지속가능성 문제를 해결하는 데 기여합니다.

98%로 시간을 절약하고 95%로 에너지를 절약하세요.

본 연구에서 연구팀은 알려지지 않은 기기 변동성을 가진 새로운 배터리 설계의 수명 주기를 예측할 때 테스트 세트를 기반으로 학습하는 능력을 입증했습니다.51개의 % 배터리 프로토타입의 처음 50회에 해당하는 완전 충방전 주기 데이터만을 사용하여 7.2%의 평균 절대 백분율 오차(MAPE)를 달성할 수 있습니다.더욱이, 이러한 높은 정확도는 표본 추출을 전혀 사용하지 않는 접근 방식을 통해 달성되었으며, 기존의 성숙하고 대표적인 연구 결과들을 능가합니다. 보수적인 가정을 전제로 할 때,산업용 배터리 수명 검증 프로세스와 비교했을 때, 발견 학습은 98%의 평가 시간을 절약하고 95%의 에너지 소비를 절감할 수 있습니다.

또한, 연구팀은 개방형 루프 및 폐쇄형 루프 예측 실험을 통해 발견 학습 방법의 우수성을 추가적으로 평가했습니다.

개방 루프 예측 성능

본 실험에서는 인터프리터와 오라클의 개방 루프 예측 성능만 시연하며, 러닝어는 데이터 선택이나 학습에 참여하지 않습니다(아래 그림 참조). 제조 변동성이 알려지지 않은 조건에서,오라클은 37개 배터리 팩의 평균 수명 예측에서 그룹 수준 평균 절대 백분율 오차 6.41 TP3T와 제곱근 평균 제곱 오차(RMSE) 64 사이클을 달성했습니다.

배터리 수준의 평균 절대 백분율 오차는 9.1%이고, 제곱평균오차는 70 사이클이라는 점에 주목할 필요가 있습니다.이는 그룹 수준 평균 절대 백분율 오차 6.4%가 그룹 수준 평균으로 인한 우연의 일치가 아니라 123개 개별 세포의 정확한 예측에 주로 기인함을 나타냅니다.또한, 피어슨 상관계수는 0.97에 달했습니다. 이러한 결과는 딥러닝 방법의 예측력을 상호 검증합니다.

이후, 본 실험에서는 SHAP(SHapley Additive exPlanations analysis) 프레임워크를 활용하여 초기 충방전 단계에서 열역학적 및 동역학적 특성과 관련된 물리적 특성의 상대적 중요성을 명확히 함으로써(위 그림 c 및 e 참조), 배터리 수명에 가장 큰 영향을 미치는 핵심 물리적 요인을 규명했습니다. 그림 d는 다양한 충방전 조건에서 물리적 특성의 중요도가 어떻게 변화하는지를 보여줍니다.

폐쇄 루프 예측 성능

이 실험에는 학습자 모듈이 포함되어 있습니다. 학습기는 37개의 배터리 팩에서 가장 유용한 테스트 샘플을 능동적으로 선택한 다음 폐쇄 루프 성능 예측을 수행합니다.실험 과정은 아래 그림에 나타나 있습니다. 능동 학습에서 실험 기반 레이블링 과정을 1차 추론 기반의 "의사 레이블링" 과정으로 대체함으로써 실험 요구 사항을 더욱 줄일 수 있음을 확인했습니다.

궁극적으로 37개 배터리 팩의 평균 수명 주기를 예측할 때,Oracle 및 Learner 모듈은 함께 작동하여 그룹 수준 평균 절대 백분율 오차 7.21 TP3T와 제곱근 평균 제곱 오차 91 사이클을 달성했습니다.이 결과는 개방형 루프 실험에 비해 개선된 것이지만, 폐쇄형 루프 프레임워크의 성능 우위를 입증하는 데에는 제한적인 근거만 제공합니다.

결론적으로,본 연구는 발견 학습이 과거 데이터와 매우 적은 수의 실험만으로 배터리 수명 주기와 효율을 예측할 수 있음을 확인시켜 줍니다.더욱 중요한 것은, 이 방법은 배터리 설계뿐만 아니라 다른 분야에서 적절한 과거 데이터 세트가 존재한다면 안전성, 고속 충전 능력, 배터리 관리 등 다른 배터리 성능 지표 검증에도 확장 적용될 수 있다는 점입니다. 따라서 본 연구는 배터리 혁신 비용을 절감하고 그 적용을 가속화하는 데 있어 견고한 이론적, 실질적 토대를 마련했다고 할 수 있습니다.

산업계, 학계, 연구기관 간의 긴밀한 협력: AI가 배터리 혁신을 가속화합니다.

에너지 혁명과 기술 발전 추구의 시대에 배터리 기술의 혁신과 돌파구는 오랫동안 사회 변화를 이끄는 핵심 동력이었습니다. 연구실에서의 이론적 탐구부터 기업 생산 현장에서의 실용화에 이르기까지, 산업, 학계, 연구기관의 긴밀한 융합은 배터리 분야를 발전시키는 강력한 원동력이 되고 있습니다.

본 연구를 예로 들면, 글로벌 통합 에너지 솔루션 제공업체인 파라시스 에너지는 기술 혁신을 통해 배터리 기술의 지속 가능한 발전을 주도하는 데 이미 상당한 성과를 거두었습니다. 파라시스 에너지의 제품 포트폴리오는 고니켈 삼원계, 리튬 철 인산염, 나트륨 이온 배터리 등 다양한 소재 시스템과 액체 및 고체 배터리 등 다양한 유형의 배터리를 포괄합니다. 본 연구는 혁신 주도 개발이라는 개념을 더욱 발전시키고 심화시키며, 이러한 혁신적인 접근 방식을 바탕으로 산업계, 학계, 연구계 간의 새로운 융합 물결을 일으킬 잠재력을 지니고 있습니다.

이번 연구의 주요 인물인 송쯔유 교수에게 있어 이는 이론을 실천에 옮기려는 중요한 시도이기도 했습니다. 다음과 같은 점이 이해되고 있습니다...송쯔유 교수의 연구는 전기 자동차, 에너지 저장 시스템, 배터리 모델링 및 관리에 중점을 두고 있습니다.그는 IEEE, Energy 등 에너지 및 전력 분야의 주요 학술지에 70편 이상의 논문을 발표했으며, 인공지능을 에너지 분야에 접목하여 혁신적인 방법들을 지속적으로 제안해 왔습니다. 예를 들어, 히스 호프만과 공동으로 개발한 합성곱 신경망과 랜덤 포레스트 기반의 리튬 이온 배터리 상태 예측 모델은 리튬 이온 배터리의 상태를 정확하게 예측하는 문제를 해결하는 것을 목표로 합니다. 이 모델은 전기차처럼 배터리가 매번 완전히 충전되거나 방전되지 않는 일상적인 사용 환경에 초점을 맞추고 있습니다. 이러한 경우 기존의 배터리 상태 예측 방법은 정확도가 떨어지는 경우가 많습니다.

논문 제목:

합성곱 신경망과 랜덤 포레스트를 이용한 리튬 이온 배터리의 견고한 상태 예측
서류 주소:

https://arxiv.org/pdf/2010.10452v1

본 연구 외에도, 항저우 전자대학교, 저장대학교, 그리고 톈넝 배터리 그룹 간의 협력과 같은 산학협력을 통한 배터리 혁신 분야의 성공 사례가 이미 존재합니다. 이들은 상관계수와 신경망의 특성을 결합하여 스피어만 순위 상관계수와 3채널 합성곱 양방향 게이트 순환 신경망(TBi-GRU)을 결합한 배터리 팩 내부 단락 결함 탐지 알고리즘을 제안했습니다. 이 방법은 배터리 팩 내부 단락 결함을 정확하게 탐지할 수 있어, 배터리 팩 결함의 조기 발견과 안전성 확보에 새로운 접근 방식과 영감을 제공합니다.

논문 제목:

스피어만 순위 상관관계와 신경망을 결합한 배터리 팩 내부 단락 고장 탐지
서류 주소:

https://jeit.ac.cn/en/article/doi/10.11999/JEIT210975

결론적으로, 배터리 혁신 분야에서 산업계, 학계, 연구기관 간의 모범적인 심층 협력은 인공지능이 배터리 연구개발에서 더 이상 외부 도구가 아니라, 근본적인 메커니즘 발견, 엔지니어링 설계, 그리고 전 생애주기 관리에 있어 패러다임 전환을 이끄는 내재화된 핵심 동력임을 거듭 분명하게 입증해 왔습니다. 특히, 딥러닝(DL)과 같은 혁신적인 방법론의 등장은 배터리 연구개발을 고비용, 장기 반복 연구 방식인 ‘실험과 시행착오’ 모델에서 데이터와 물리 법칙의 융합에 기반한 ‘예측 설계’라는 새로운 패러다임으로 이끌고 있습니다. 이는 배터리 혁신의 ‘지속가능성’ 문제를 해결할 새로운 기술적 길을 제시할 뿐만 아니라, 인공지능과 에너지 과학의 심층적인 융합이라는 새로운 시대를 열어가고 있습니다.

참고문헌:

1.https://www.nature.com/articles/s41586-025-09951-7
2.https://mp.weixin.qq.com/s/1p5FTWhujytM4Cne6NhFSg
3.https://jeit.ac.cn/en/article/doi/10.11999/JEIT210975
4.https://www.kiphub.com/author/6661bcb287272d556e26f335