4가지 주요 문제점, 5가지 연구, 7개 기업, 1개 기사에서 AI 주도 배터리 R&D 혁신 설명
"7월 국내 신에너지차 소매 보급률은 51.1%로 예상보다 11년 앞당겨졌습니다."이는 중국자동차판매상협회 승용차시장정보연합지부가 올해 8월에 발표한 자료입니다. 이는 신에너지 자동차 시장의 강력한 성장세를 강조하는 동시에, 이 분야의 에너지 구조 전환에 있어서 중요한 이정표이기도 합니다.
신에너지 차량이 소비자 시장을 그렇게 빨리 점유할 수 있었던 이유는 정책적 지원과 시장 수용 증가 외에도 크게 두 가지 주요 요인 때문입니다.한편, 테슬라가 시작한 치열한 가격 전쟁은 업계에 가격 인하 물결을 일으켰고, 끊임없는 우대 정책이 판매를 지속적으로 자극했습니다. 한편, 신에너지 자동차에 탑재되는 배터리 기술은 끊임없이 혁신되어, 충전 시간이 길고 충전소 분포가 고르지 않아 소비자가 느끼는 주행거리 불안을 효과적으로 완화하여 소비자의 구매 신뢰도를 더욱 높이고 있습니다.
신에너지 자동차의 '심장'인 전원 배터리는 자동차 성능, 비용, 사용자 경험을 개선하는 데 매우 중요합니다.예를 들어, BYD의 블레이드형 배터리 출시는 배터리 팩의 공간 활용도와 안전성을 크게 향상시킬 뿐만 아니라, 순수 전기 자동차의 주행거리를 1,000km 이상으로 확장하여 최고의 주행 성능을 달성할 수 있는 잠재력을 가지고 있습니다. 이에 한 네티즌은 "신에너지 자동차 기업의 수명 절반은 전력 배터리에서 나온다"고 생생하게 댓글을 남겼다. 이러한 논평은 신에너지 자동차 산업 사슬에서 배터리가 차지하는 핵심적 위치를 보여줄 뿐만 아니라, 시장 경쟁력을 위해 기술 혁신이 얼마나 중요한지를 더욱 잘 보여줍니다.
배터리 기술의 중요성은 신에너지 자동차 분야에만 국한되지 않는다는 점을 언급할 가치가 있습니다. 가전제품이든 대규모 에너지 저장 시스템이든 배터리는 꼭 필요한 핵심 기술 지원입니다.중국공정원이 발표한 "2035년까지 신소재 강국 건설을 위한 전략적 연구"에서는 배터리 소재를 신에너지 소재 분야의 핵심 개발 방향으로 명시하고 있습니다.이는 미래 에너지 구조에서 배터리 기술이 차지하는 전략적 위치를 보여줄 뿐만 아니라, 새로운 에너지 산업의 전면적 업그레이드를 위한 중요한 지침을 제공합니다.
동시에 인공지능의 급속한 발전은 난이도가 높은 신규 배터리의 연구 개발에 새로운 활력을 불어넣었습니다.중국과학원 원사이자 청화대 교수인 오우양밍가오는 최근 열린 2024년 과학지능 정상회의에서 다음과 같이 말했습니다.배터리 소재 측면에서, 모든 소재 연구개발은 시행착오적인 방식으로 진행되어 많은 인력을 소모하고, 주기가 길며, 비효율적이었습니다. 이제 인공지능을 통해 기존의 연구개발 패러다임을 바꿀 수 있습니다. 현재, 자동화된 실험, 특성 분석, 시뮬레이션, 제조 등 전 공정 자동화 소재 설계를 실현하고, 전 공정 지능화를 달성하여 난이도 높은 신규 배터리의 연구개발 효율성을 크게 향상시켰습니다.
수년간의 노력 끝에 기존 배터리 연구 개발의 문제점과 어려움을 극복했습니다.
배터리 연구개발은 배터리 소재 선별, 합성 준비, 특성화 테스트 및 공정 최적화를 포함하는 복잡하고 체계적인 프로젝트입니다.기존의 배터리 연구 개발은 주로 '시행착오' 방식을 사용합니다. 전체 연구 개발 주기는 수년에 걸쳐 진행되며 많은 자본 투자가 필요합니다. 이 과정에서 각 단계마다 고유한 고통과 어려움이 발생합니다.
구체적으로,배터리 소재 선별 과정에서연구자들은 실험적 실행 가능성, 비용 효율성, 안전성을 바탕으로 최적의 전극 재료와 전해질 공식을 찾아야 합니다. 그러나 배터리 구성 요소에는 양극, 음극, 전해질, 분리막 등 선택할 수 있는 잠재적인 재료가 많이 있습니다. 기존의 스크리닝 방법은 하나하나 실험을 통해 검증해야 하므로 많은 시간과 자원이 소모되고 시행착오 비용도 높습니다.
배터리 합성 과정 동안,연구자들은 이상적인 물질 특성을 얻기 위해 합성의 반응 조건을 정확하게 제어해야 합니다. 이러한 반응 조건에는 온도, 압력, 시간, 환경 등이 포함됩니다. 예를 들어, 고체 배터리는 여전히 합성 과정에서 황화물의 낮은 공기 안정성과 전극/전해질 계면의 화학적, 전기화학적 안정성과 같은 주요 과제에 직면해 있습니다. 이러한 과제로 인해 고체 전지에서의 대규모 적용이 제한되고 합성 및 제조 공정에 더 높은 요구 사항이 적용됩니다.
서류 주소:
https://wulixb.iphy.ac.cn/article/doi/10.7498/aps.69.20201581
특성화 테스트 동안,연구자들은 결정 구조, 전기화학적 성능, 열 안정성 등 배터리 재료의 주요 특성을 테스트하고 분석해야 합니다. 그러나 배터리 성능의 핵심 지표(예: 사이클 수명, 에너지 밀도 등)는 일반적으로 장기 테스트를 통해 평가해야 하며, 이러한 테스트 주기로 인해 R&D 진행이 상당히 지연됩니다.
프로세스 최적화 단계 동안,코팅, 건조, 압축 등 여러 매개변수의 최적화는 매우 복잡한 다변수 문제입니다. 소규모 실험실 연구 개발에서 얻은 이상적인 성능은 산업 생산에서 재현하기 어려운 경우가 많습니다.
요약하자면, 기존 배터리 연구 개발 방식에서는 소재 선별부터 공정 최적화까지 각 단계가 복잡한 과제에 직면합니다. 미래의 배터리 연구 개발은 기존 연구 개발의 병목 현상을 근본적으로 해소하기 위해 보다 데이터 중심적인 설계 방법, 고처리량 합성 및 테스트 기술, 지능형 제조 방법을 도입해야 합니다. 이 과정에서 AI가 중요한 역할을 할 것이다.
AI for Science, 배터리 연구개발에 새로운 아이디어 제시
고체 전지로 대표되는 새로운 배터리 기술의 연구 개발은 아직 많은 과제에 직면해 있지만, AI for Science(AI4S) 패러다임이 발전함에 따라 점점 더 많은 대학과 연구 기관이 배터리 연구 개발을 중심으로 AI 관련 기술 구현을 모색하기 시작했습니다.
구체적으로,첫째, AI는 배터리 소재의 선별 및 발견을 가속화할 수 있습니다.배터리 소재의 연구 개발에는 수천 가지의 화학적 조합이 포함되지만, 실험적 검증을 위한 시간과 자원은 제한적입니다. 고처리량 컴퓨팅과 머신 러닝에 AI를 적용하면 연구자들은 시뮬레이션과 예측을 통해 잠재적인 고성능 소재를 신속하게 선별할 수 있습니다. 예를 들어, Microsoft와 PNNL은 AI 기술을 사용하여 3,200만 개의 잠재적인 배터리 소재를 선별하고 80시간 만에 그 목록을 23개로 좁혔는데, 그 중 5개가 알려진 소재였습니다. 연구팀은 이러한 재료를 얻기 위해 전통적인 방법을 사용한다면 20년 이상 걸릴 것이라고 말했습니다.
관련 연구는 "인공지능과 클라우드 고성능 컴퓨팅을 활용한 계산 소재 발견 가속화: 대규모 스크리닝에서 실험적 검증까지"라는 제목으로 사전 인쇄 웹사이트 arXiv에 게재되었습니다.
서류 주소:
https://arxiv.org/pdf/2401.04070
둘째, AI는 배터리의 합성 및 제조 과정에서도 우수한 성과를 보인다.특히, 인터페이스 문제는 배터리 성능의 주요 병목 현상입니다. 예를 들어, 리튬 금속 양극과 전해질 사이의 계면 안정성은 배터리의 안전성과 수명을 직접적으로 결정합니다. 기존 실험에서는 계면에서 일어나는 복잡한 반응을 완전히 이해하기 어려웠지만, AI 모델은 분자 동역학 시뮬레이션과 실험 데이터를 결합하여 계면 반응 경로를 예측하고 더 나은 전해질 물질을 설계할 수 있습니다. 예를 들어, 남중국이공대학의 연구자들은 AI 모델을 사용하여 리튬 이온 배터리의 계면 반응을 모델링하여 배터리 구성 요소를 최적화하고 더 안정적인 전해질 소재를 개발하기 위한 방향을 제시하는 데 중점을 두었습니다.
관련 연구는 "ab initio 분자 동역학 시뮬레이션을 통한 전해질과 Li(2)MnO(3) 간의 계면 반응에 대한 통찰력"이라는 제목으로 Journal of Materials Chemistry에 게재되었습니다.
서류 주소:
https://pubs.rsc.org/en/content/articlelanding/2024/ta/d4ta04598j
배터리 특성화 테스트 중에도 AI는 배터리 수명을 예측하는 데 좋은 성과를 보였습니다.예를 들어, MIT, 스탠포드 대학, 도요타 연구소(TRI)의 연구원들은 AI를 사용하여 배터리 수명을 예측하고 있습니다. 연구팀이 개발한 AI 알고리즘은 배터리의 5회 충전 및 방전 사이클을 기반으로 배터리 수명을 판단할 수 있으며, 정확도는 최대 95%입니다. 예측값과 실제 배터리 수명값의 오차는 9% 이내입니다. 이 데이터 세트는 오픈 소스로 공개되었으며, 이런 종류의 데이터 세트 중 가장 큰 규모라는 점을 언급할 가치가 있습니다.
관련 연구는 "용량 저하 전 배터리 사이클 수명의 데이터 기반 예측"이라는 제목으로 Nature에 게재되었습니다.
서류 주소:
https://www.nature.com/articles/s41560-019-0356-8
얼마 전, 중국과학원 대련화학물리연구소와 시안교통대학은 배터리 건강 관리 분야에서 새로운 진전을 이루었습니다. 연구진은 기존 방식이 방대한 양의 충전 테스트 데이터에 의존하는 문제를 효과적으로 해결하고, 실시간 배터리 수명 예측에 대한 새로운 아이디어를 제공하며, 리튬 배터리 수명의 종단 간 평가를 실현하는 새로운 딥 러닝 모델을 개발했습니다. 동시에 이 모델은 1세대 배터리 디지털 브레인 PBSRD Digit의 핵심 모델의 중요한 부분이기도 하며, 지능형 배터리 관리를 위한 솔루션을 제공합니다.
관련 연구는 "소량의 충전 사이클을 기반으로 한 리튬 이온 배터리의 딥 러닝 기반 수명 예측"이라는 제목으로 IEEE 교통 전기화 저널에 게재되었습니다.
서류 주소:
https://ieeexplore.ieee.org/document/10613834
또한 AI는 배터리 소재의 생산 공정을 최적화하는 데에도 큰 잠재력을 보여줍니다.고체 전지를 예로 들면, 고체 전지 제조 시에는 전해질의 미세 구조에 대한 엄격한 요구 사항이 있습니다. AI 기술은 컴퓨터 비전과 최적화 알고리즘을 통해 온도, 압력 등 소재 준비 과정의 매개변수를 분석하여 생산 일관성을 개선하고 제조 비용을 절감할 수 있습니다. 예를 들어, 프랑스 피카르디의 쥘 베른 대학과 여러 다른 기관에서 실시한 연구에서는 머신 러닝 기술을 통해 전극 제조 공정을 모니터링하고 최적화하는 방법을 보여주었습니다. 이 방법을 사용하면 배터리 제조 매개변수를 실시간으로 조정할 수 있어 낭비를 크게 줄이고 제품 일관성을 개선할 수 있습니다.
관련 연구는 "기계 학습 기반 전극 제조 최적화를 통한 고성능 에너지 및 전력 배터리 셀을 향하여"라는 제목으로 Science에 게재되었습니다.
서류 주소:
https://www.sciencedirect.com/science/article/pii/S037877532301050
AI for Science 패러다임에 의해 주도되는 배터리 소재 분야는 새로운 기술 혁명의 문턱에 서 있다고 예측할 수 있습니다. AI의 적용은 배터리 소재의 연구 개발에 새로운 아이디어와 도구를 제공할 뿐만 아니라, 배터리 기술 전체의 개발 방향을 바꾸고 있습니다.
AI, 신배터리 산업화 속도 가속화
배터리 산업은 기술 혁신의 물결의 정점에 있으며, AI는 의심할 여지 없이 이러한 기술 르네상스를 이끄는 핵심 동력입니다. AI 기술의 심층적 응용은 학술 연구 분야에서 최첨단 배터리 과학 이론을 탄생시켰을 뿐만 아니라, 산업계에서 강력한 실용적 가치를 입증하여 배터리 기술의 상용화, 대량 생산 및 성능 최적화를 위한 새로운 원동력을 제공했습니다.
국제 시장에서는 많은 회사가 AI 기반 배터리 연구 개발을 선도하고 있습니다.테슬라는 AI를 사용하여 배터리 관리 시스템(BMS)을 최적화하고, 딥러닝과 머신러닝 기술을 사용하여 배터리 상태와 수명을 예측하며, 데이터 기반 방법을 사용하여 슈퍼차징과 에너지 관리를 개선합니다.
한국 배터리 제조업체 LG에너지솔루션은 배터리 노후화, 고장 모드 예측, 에너지 관리 최적화에 중점을 두고 에너지 저장 시스템(ESS)에 대한 동적 예측 및 최적화 기능을 제공하는 AI 플랫폼을 개발했습니다.
리튬 금속 배터리 회사인 SES AI도 새로운 배터리 소재의 연구 개발을 가속화하기 위해 NVIDIA, Crusoe, Supermicro 등의 기술 회사와 힘을 합칠 것이라고 발표했습니다. AI에 최적화된 고성능 슈퍼컴퓨터를 활용해 소분자 데이터베이스를 구축하고, 이를 통해 배터리 화학 시스템에 대한 이해를 높이고 에너지 저장 솔루션 개발을 가속화할 계획이다.
또한 NVIDIA는 최근 ALCHEMI NIM 프로젝트에서 AI 기술을 사용하여 전기 자동차 배터리 및 태양광 패널과 같은 지속 가능한 에너지 소재의 개발을 가속화하고 있다고 발표했습니다. 이러한 프로젝트는 재료의 전기화학적 특성을 효율적으로 시뮬레이션하고 예측할 수 있어 신소재의 연구 개발 주기를 단축할 뿐만 아니라 비용을 크게 절감하여 글로벌 에너지 전환에 대한 기술 지원을 제공합니다.
국내 시장으로 돌아와서도 배터리 연구개발과 다양한 기업 간의 기술혁신은 백여 학파가 경쟁하는 추세를 보이고 있다.CATL은 글로벌 전력 배터리 산업의 선두주자로서 배터리 화학 및 소재 성능의 모델링과 최적화에 AI 기술을 적극적으로 적용하고 있으며, 고에너지 밀도 배터리의 연구 개발에 주력하고 있습니다. 2023년 12월, CATL은 과학 분야 AI에 중점을 둔 국제 R&D 센터를 홍콩에 설립할 것이라고 발표했습니다. CATL 회장 쩡위췬 역시 지난해 여러 차례 공식 석상에서 특히 배터리 소재 시스템 혁신에 AI 도입을 가속화해야 할 필요성을 언급했습니다.
또한, 허니콤 에너지(SVOLT)는 장쑤성 진탄에 업계 최초의 자동차용 AI 스마트 파워 배터리 공장을 선도적으로 건설하여 AI를 활용해 배터리 전체 공정을 관리하고 고성능 배터리 제품을 출시함으로써 신에너지 배터리의 대량 적용을 크게 가속화했습니다.
동시에 해외 시장에서는 QuantumScape, Inobat Auto, Mitra Chem, Aionics 등 다수의 AI 배터리 소재 스타트업이 생겨나 배터리 개발 분야에 인공지능을 도입하고자 노력하고 있습니다. 그 중 미트라켐은 배터리 기술 업계의 유명 인사들로부터 "실리콘 밸리에 위치한 인공지능 기술로 구동되는 배터리 소재 혁신 기업"으로 묘사됩니다.
중국 시장에는 여러 개의 새로운 에너지 AI 기업이 등장했습니다. 예를 들어, 오양밍가오 연구원 팀이 육성한 성커 에너지는 세계 최초의 배터리 AI 대형 모델 PERB2.0을 출시했습니다. 이 모델은 엄청난 양의 배터리 데이터를 처리하고 분석할 수 있어 배터리 설계, 성능 최적화, 지능적 의사 결정에 핵심적인 역할을 합니다.
요약하자면, 국제시장이든 국내기업이든, 선도기업이든 스타트업이든 모두 배터리 연구개발 분야에 AI를 적극적으로 도입하고 있습니다.
마지막 말
현재 상황을 살펴보면, 소재 발굴부터 제조 최적화, 성능 예측부터 전체 수명 주기 관리까지 AI 기술은 배터리 연구 개발의 모든 단계를 완전히 강화하여 새로운 에너지 산업에 강력한 추진력을 불어넣고 있습니다. AI는 과학적 연구 결과를 산업 실무와 긴밀하게 통합함으로써 기술 반복을 가속화할 뿐만 아니라 배터리 기술의 대규모 적용과 비용 절감도 촉진합니다.
하지만 모든 것의 발전은 지그재그로 진행되는 과정이며, AI와 배터리 연구 개발을 긴밀하게 통합하는 것은 하룻밤 사이에 이루어질 수 없습니다.CATL 회장 쩡위췬은 "AI4S(배터리 소재 연구개발)는 현재 특별히 좋은 모델, 구조, 알고리즘을 갖추고 있지 않으며, 아직 갈 길이 멀다"고 말했습니다.
참고문헌:
1.http://finance.people.com.cn/n1/2024/0812/c1004-40297368.html
2.https://www.auto-made.com/news/show-16443.html
3.https://www.engineering.org.cn/sscae/CN/article/downloadArticleFile.do?attachType=PDF&id=28528
4.https://esst.cip.com.cn/CN/10.19799/j.cnki.2095-4239.2024.0698
5.http://www.xinhuanet.com/science/20241121/6c8a64232e464ee886b8dc4c732f81fd/c.html
6.https://developer.nvidia.com/zh-cn/blog/revolutionizing-ai-driven-material-discovery-using-nvidia-alchemi/
7.http://www.dicp.cas.cn/xwdt/mtcf/202410/t20241022_7405757.html
8.https://www.cas.cn/syky/202411/t20241120_5040077.shtml