AI 기술로 차세대 배터리 전해질 후보 물질 발굴

다음 세대 배터리 전해질을 위한 빅데이터 접근법 배터리 전해질의 새로운 발견은 전기차, 휴대폰, 노트북, 대규모 그리드 저장 시스템 등에 사용되는 차세대 배터리를 설계하는 주요 장벽 중 하나입니다. 가장 안정적인 전해질이 항상 가장 전도성이 좋은 것이 아니며, 가장 효율적인 배터리가 항상 가장 안정적인 것도 아닙니다. 이러한 성능 간의 충돌은 배터리 전해질 개발의 핵심 문제를 나타냅니다. University of Chicago Pritzker School of Molecular Engineering (UChicago PME)의 Amanchukwu Lab에서 연구 중인 Ritesh Kumar는 이 문제를 해결하기 위해 인공지능(AI)과 머신러닝을 활용한 새로운 접근법을 발표했습니다. Kumar는 Chemistry of Materials 저널에 게재된 논문의 첫 번째 저자로, 이 논문에서는 이상적인 배터리 전해질을 만드는 세 가지 중요 요소—이온 전도성, 산화 안정성, 콜럼비안 효율성을 극대화하는 분자를 찾는 새로운 프레임워크를 제시합니다. 연구팀은 리튬 이온 배터리 연구 초기부터 250여 편의 연구 논문에서 추출한 데이터셋을 기반으로 AI를 활용해 각 분자의 "eScore"를 계산했습니다. eScore는 위 세 가지 기준을 균형 있게 평가하여 모든 조건을 충족하는 분자를 식별합니다. UChicago PME의 Neubauer Family Assistant Professor인 Chibueze Amanchukwu는 "한 가지 성능에서 우수한 분자가 다른 성능에서도 우수한 분자는 아니다"라고 말하며, AI가 이러한 복잡한 조건을 통합적으로 고려할 수 있는 중요성을 강조했습니다. 이 연구팀은 이미 AI를 통해 시장에서 가장 우수한 전해질과 동등한 성능을 보이는 분자를 식별하는데 성공했으며, 이는 종종 시험착오에 의존하는 배터리 개발 분야에서 큰 진전을 이루었습니다. Northwestern University의 Chemical and Biological Engineering 부교수 Jeffrey Lopez는 "전해질 최적화는 경쟁하는 성능을 여러 구성요소 혼합물에서 균형 있게 조절하는 느리고 어려운 과정이다. 이러한 데이터 기반 연구 프레임워크는 새로운 배터리 재료의 개발을 가속화하고 AI 기술 및 실험실 자동화의 발전을 활용하는 데 있어 필수적이다"라고 평가했습니다. AI의 음악 감상과 같은 연구 방식 UChicago PME 연구팀은 AI를 활용하여 과학자들이 실험실에서 테스트해야 하는 유망한 후보를 찾아내어 시간, 에너지, 자원 낭비를 줄이는 방식을 채택했습니다. 이론적으로 배터리 전해질을 만들 수 있는 분자의 수는 (10^{60})개, 즉 60개의 0이 붙은 1이라는 엄청난 규모입니다. AI 기술은 수십억 개의 비효율적인 후보 물질들을 걸러내어 최적의 분자를 식별하는 데 큰 이점을 제공합니다. Amanchukwu는 AI의 사용을 온라인에서 음악을 듣는 것에 비유했습니다. 개인의 음악 취향을 학습한 AI가 기존 플레이리스트의 노래를 하나씩 평가하여 그 사람이 좋아할지 예측하는 것과 마찬가지로, 새로운 전해질 연구는 기존 데이터에서 분자를 하나씩 평가하여 과학자들이 관심을 가질 만한 분자를 예측합니다. 다음 단계는 과학자들이 좋아할 것으로 생각되는 플레이리스트를 생성하는 AI를 만드는 것이며, 궁극적인 목표는 모든 주어진 매개변수를 충족하는 새로운 분자를 설계할 수 있는 AI를 개발하는 것입니다. 그래픽 디자인의 특성으로 인한 수작업 연구팀은 2020년부터 AI의 학습 데이터를 수작업으로 수집하기 시작했습니다. "현재의 데이터셋에는 50년 동안의 연구 문헌에서 추출한 수천 개의 잠재적 전해질이 포함되어 있다"고 Kumar는 설명했습니다. 그러나 그래픽 디자인의 특성 때문에 데이터를 수작업으로 입력해야 합니다. 연구자들이 논문을 작성하고 저널이 이를 매거진 형식으로 배치할 때, eScore로 변환되는 숫자들은 보통 이미지에 들어갑니다. 이는 JPEG나 PNG 형태의 그림, 차트, 다이어그램 등으로 표시되며, 텍스트 자체에는 포함되지 않습니다. 대부분의 대형 언어 모델은 연구 논문의 텍스트만 읽기 때문에, UChicago PME 팀은 앞으로도 학습 데이터를 수작업으로 입력해야 할 가능성이 있습니다. "현재 모델들은 이미지에서 데이터를 추출하는 데 큰 어려움을 겪고 있다"고 Amanchukwu는 말했습니다. 학습 데이터의 크기는 연구의 첫 걸음일 뿐입니다. "훈련 데이터에 이미 있는 분자를 찾고 싶지는 않다. 매우 다른 화학 공간에서 분자를 찾고 싶다."라고 Amanchukwu는 말하며, AI가 이전에 본 적 없는 분자를 예측하는 능력을 테스트했습니다. 분자가 훈련 데이터의 분자와 화학적으로 유사할 때, AI는 그 분자가 얼마나 우수한 전해질이 될지를 정확히 예측할 수 있었습니다. 그러나陌生な材料들(미처 접하지 못한 물질들)을 식별하는 데는 어려움을 겪었으며, 이는 AI를 활용한 차세대 배터리 설계의 다음 도전 과제를 나타냅니다. 업계 전문가들의 평가와 회사 프로필 이 연구는 배터리 전해질 최적화의 중요한 과제를 해결하며, AI 기술을 배터리 개발에 효과적으로 적용하는 방법을 제공하였습니다. UChicago PME는 AI를 사용하여 암 치료, 면역치료, 물 처리 방식, 양자 소재 등 다양한 신기술 개발에도 기여하고 있으며, 이번 연구는 이러한 노력의 연장선상에 위치합니다. Amanchukwu Lab의 목표는 AI를 통해 새로운 분자를 설계하고, 배터리 기술의 혁신을 이끌어내는 것입니다.