MIT는 30년간의 끈기 끝에 차세대 리튬 배터리를 목표로 하고 있으며 생성적 AI를 사용하여 고체 전해질 분야에서 획기적인 발전을 이루었습니다.

MIT 4호관 지하에는 학생들이 "혁신의 요람"이라고 부르는 연구실이 있습니다. 연구실 번호는 4-061입니다. 여기,도널드 사도웨이 교수는 1990년대 후반부터 고체 폴리머 전해질(SPE) 리튬 금속 배터리에 대한 연구를 시작했습니다.이 연구실은 셀 수 없이 많은 낮과 밤의 노력과 수많은 실험적 실패를 겪었지만, 이러한 도전을 통해 세상을 바꾼 혁신적인 발견이 탄생했습니다.

지난 30년 동안 MIT는 고체 폴리머 전해질(SPE)에 대한 연구를 늦춘 적이 없습니다. 인공지능 기술의 급속한 발전에 따라 MIT 연구팀은 머신 러닝과 데이터 기반 전략의 도움을 받아 일련의 혁신적인 연구를 시작하고 있습니다. 그들은 고급 알고리즘과 엄청난 양의 데이터를 활용해 기존 소재의 한계를 극복하고 배터리 기술의 미래에 대한 새로운 가능성을 열어줍니다.

요전,MIT와 도요타 연구소의 연구팀은 생성적 인공지능 기술을 사용하여 폴리머 전해질을 완전히 재설계하는 데 협력했습니다.그들은 GPT 기반 minGPT와 확산 기반 1D확산 및 확산-LM 모델을 비교하고, 사전 훈련 및 미세 조정 방법을 사용하여 다수의 새롭고 다양하며 잠재적으로 적용 가치가 있는 폴리머를 성공적으로 만들어냈습니다. 이번 성과는 재료 설계 분야에서 인공지능의 엄청난 잠재력을 보여줄 뿐만 아니라, 고체 전해질 개발에 새로운 활력을 불어넣었습니다. 공식 계정의 백그라운드에서 "전해질"을 검색하면 논문의 원본을 얻을 수 있습니다.

차세대 리튬 배터리에 대한 희망: 고체 폴리머 전해질 분야의 AI 지원 혁신

고체 폴리머 전해질(SPE)은 차세대 리튬 이온 배터리의 유망한 후보로 널리 알려져 있습니다.액체 전해질과 비교했을 때 안전성, 에너지 밀도, 제조 성능 면에서 상당한 이점을 보여줍니다. 그러나 SPE의 이온 전도도는 일반적으로 상업용 액체 전해질의 이온 전도도보다 몇 배나 낮아 실제 적용에 심각한 제한이 따릅니다. 이러한 과제를 해결하기 위해 연구자들은 광범위한 실험 및 계산 연구를 수행했습니다.

한편, 연구자들은 데이터 마이닝이 재료 구조와 특성 간의 관계를 이해하는 데 새로운 솔루션을 제공한다는 사실을 발견했습니다. 2021년 초, 상하이 교통대학교 연구팀은 나노 에너지 저널에 "인공지능을 활용한 고체 전해질의 전체적 설계 및 식별"이라는 제목의 연구 결과를 발표했습니다. 그들은 머신 러닝 모델과 제한된 DFT 계산을 결합하여 29,000개 이상의 설계된 가넷(가넷 고체 전해질) 구조에서 실온에서 전자 전도도가 극히 낮은 12개 후보 물질을 빠르게 걸러냈습니다. 이 방법을 사용하면 스크리닝 주기를 최소 95년 단축할 수 있으며, 고체 전해질의 설계 및 발견을 위한 새로운 아이디어와 방법이 제시됩니다.

논문 링크:

https://www.sciencedirect.com/science/article/pii/S2211285521005929

일본 도호쿠 대학의 연구팀은 "고체 전해질의 동적 데이터베이스(DDSE)"라는 제목의 연구에서 2023년까지 전고체 배터리 전해질의 동적 데이터베이스를 구축하고 머신 러닝을 사용하여 이온 전도도를 예측하여 실험적으로 합성된 새로운 소재에 대한 성능 기준을 제공했습니다.

논문 링크:

https://www.sciencedirect.com/science/article/pii/S258996512300034X

반면, 연구자들은 새로운 소재를 탐색하여 폴리머의 이온 전도도를 개선하는 데에도 힘쓰고 있습니다. 현재 고온조작, 보조첨가제 첨가, 공중합 등의 일반적인 방법들이 어느 정도 진전을 이루었지만, 대부분은 폴리에틸렌옥사이드(PEO)에 의존하고 있다. PEO 소재는 소재 자체의 한계로 인해 SPE 기술 개발에 큰 걸림돌이 되고 있다. 그러나 비PEO 폴리머에 대한 탐색은 아직은 비교적 제한적입니다. 더 광범위한 비PEO 폴리머 공간을 탐색하기 위해 머신 러닝과 데이터 기반 방법이 폴리머 특성 예측 및 역설계에 널리 사용되기 시작했습니다.

AI는 새로운 폴리머의 발견을 가속화할 수 있지만, 동시에 고유한 과제도 제시합니다. 일반적으로 AI 예측의 정확성은 풍부하고 다양하며 광범위한 초기 데이터 세트에 달려 있으므로 고품질 데이터가 매우 중요합니다. 더욱이, 화학적으로 현실적이고 합성 가능한 폴리머를 생성할 수 있는 알고리즘을 설계하는 것은 복잡한 작업입니다. 따라서 다양한 머신 러닝 방법 중에서 생성 설계는 데이터로부터 학습하고 새로운 후보 물질을 생성할 수 있는 능력으로 인해 두드러집니다. 이러한 접근 방식은 기존 데이터로부터 학습하여 폴리머 데이터베이스를 확장할 뿐만 아니라, 특정 목표에 맞춰 폴리머 재료를 설계하는 데 도움이 될 것으로 기대됩니다.

그러나 현재 이러한 고급 생성 AI 기술을 폴리머 생성에 활용하는 연구는 거의 없습니다. 특히 구조적으로 무작위성이 높은 비정질 재료를 포함하는 폴리머 전해질 분야에서 비PEO 재료에 대한 생성적 AI 기술의 적용을 연구합니다.최근 연구에서 MIT와 도요타 연구소의 연구팀은 폴리머 생성에서 다양한 고급 생성 모델의 복잡성을 심층적으로 조사하고, 새로운 GPT 및 확산 기반 폴리머 전해질을 지속적으로 생성하고 평가할 수 있는 새로운 설계 방법을 제안하여 실험 테스트를 위한 새로운 후보를 제공했습니다.

minGPT는 확산 모델보다 성능이 뛰어납니다. 사전 학습 전략으로 데이터 세트 적응성이 향상됩니다.

MIT의 최신 연구에서는 귀중한 새로운 폴리머 전해질 소재를 개발하기 위해본 연구에서는 토큰화, 훈련, 생성, 평가라는 4가지 주요 모듈을 통해 폴리머 생성을 위한 체계적인 평가 계획을 설계했습니다.

첫째, 토큰화 단계에서연구진은 먼저 6,024개의 다양한 비정질 폴리머 전해질을 포함하는 HTP-MD 데이터 세트를 선택했습니다. 이들 폴리머의 이온 전달 특성은 주로 분자 동역학(MD) 시뮬레이션을 통해 계산되었습니다.

이 데이터 세트를 기반으로 학습 단계에서연구진은 GPT 모델의 인기 있는 오픈 소스 PyTorch 복제본인 minGPT와 두 가지 확산 모델(1D 확산 및 확산 언어 모델(확산-LM))을 포함하여 여러 가지 생성 AI 모델의 성능을 비교했습니다.

연구진은 이러한 모델을 비교하여 원하는 특성을 지닌 폴리머 전해질을 생성하는 가장 효율적인 방법을 알아내고자 합니다. 세 가지 모델이 서로 다른 손실 함수를 가지고 있기 때문에 손실 값이 화학 시스템에 대한 포괄적인 평가를 제공하지 못할 수도 있습니다. 따라서 연구진은 6가지 서로 다른 지표를 포함하는 폴리머 생성 평가 방법을 제안했는데, 이를 통해 다양한 하이퍼파라미터 조합에서 모델의 성능을 평가할 수 있습니다.

* 1Ddiffusion 모델은 원래 이미지 생성을 위해 개발된 Denoising Diffusion Probabilistic Model(DDPM)을 개선한 모델입니다. 

* 확산-LM 모델에서는 비자기회귀 언어 모델 아키텍처가 텍스트 생성을 위한 연속 확산 개념과 결합됩니다.

* minGPT 프로젝트 주소:

https://gitcode.com/gh_mirrors/mi/minGPT

* 1Ddiffusion 프로젝트 주소:

https://gitcode.com/gh_mirrors/de/denoising-diffusion-pytorch

* 확산-LM 프로젝트 주소:

https://gitcode.com/gh_mirrors/di/Diffusion-LM

이 연구에서 연구진은 먼저 무조건 생성 사례에서 모델 아키텍처의 성능을 연구했습니다. 즉, HTP-MD 데이터 세트를 사용하여 속성 제약 없이 폴리머의 "언어"를 학습하는 생성 모델을 훈련했습니다. 무조건 생성 과정에서생성 단계에서 모델을 훈련하면 새로운, 화학적으로 유효하고, 독특하고 합성 가능한 폴리머를 무작위로 생성할 수 있습니다.

결과는 아래 그림과 같습니다. minGPT 모델과 확산-LM 모델의 성과는 비슷하지만, 1Ddiffusion 모델의 성과는 상대적으로 좋지 않습니다. 계산 비용 측면에서 minGPT 모델은 학습과 추론 모두에서 확산 기반 모델보다 효율적입니다. Tesla V100 GPU 코어(16GB RAM)에서는 최적의 minGPT 모델을 훈련하는 데 약 3~4분밖에 걸리지 않지만, 최적의 1Ddiffusion 및 diffusion-LM 모델을 훈련하는 데는 약 2시간이 걸립니다.

다음으로, 이 연구는 생성 모델을 더욱 발전시켜 이상적인 특성을 지닌 폴리머 전해질을 생성하고 조건부 생성 하에서 모델 아키텍처의 성능을 연구했습니다. 예를 들어, 높은 이온 전도도를 달성하기 위해 연구진은 먼저 HTP-MD 데이터 세트의 폴리머를 높은 전도도와 낮은 전도도의 두 그룹으로 나누었습니다. 그런 다음 무조건 생성 작업의 하이퍼파라미터 튜닝에서 얻은 최적 모델 아키텍처를 사용하여 생성 단계에서 높은 전도도를 갖는 폴리머 전해질을 조건부로 생성했습니다.

마지막으로, 그들은 그래프 신경망(GNN) 모델을 사용하여 생성된 폴리머의 이온 전도도를 예측했습니다.46개의 후보 물질을 테스트한 결과, 이온 전도도가 우수한 폴리머 17개가 최종적으로 선별되었습니다.결과에 따르면 무조건 생성에 대한 연구 결과와 마찬가지로 minGPT 모델도 조건부 생성에서 1D확산 및 확산-LM 모델보다 성능이 뛰어나 평균 점수가 더 우수했습니다.이는 minGPT 모델이 새로운 폴리머를 생성하는 데 좋은 성능을 보일 뿐만 아니라 특정 이상적 특성을 가진 폴리머 전해질의 생성을 효과적으로 안내할 수 있음을 보여줍니다.

minGPT 모델은 무조건 생성과 조건 생성 모두에서 확산 기반 모델보다 성능이 뛰어납니다. 따라서 연구진은 minGPT 모델에 대한 사전 학습 및 미세 조정 방법의 영향을 추가로 연구했습니다. 구체적으로, 그들은 두 가지 다른 학습 전략을 비교했습니다. 하나는 HTP-MD 데이터 세트에서 처음부터 직접 학습된 minGPT 모델이고, 다른 하나는 무조건 생성을 위해 PI1M 데이터베이스에서 먼저 사전 학습한 다음 조건부 생성을 위해 HTP-MD 데이터 세트에서 미세 조정된 minGPT 모델입니다.

* PI1M 데이터베이스: 100만개의 폴리머 모노머를 포함하는 벤치마크 데이터베이스이지만 폴리머의 이온 전도도에 대한 정보가 부족합니다.

연구 결과에 따르면 사전 학습 전략은 미세 조정의 학습 시간을 크게 단축하고 조건 생성의 효과성과 고유성 점수를 향상시킵니다. 또한 사전 학습을 통해 HTP-MD 데이터 세트에서 폴리머 특성을 포착하는 모델의 능력이 향상되고 생성 중에 더욱 다양한 폴리머가 생성됩니다. 이는 다음을 의미합니다.대규모 데이터베이스에서 사전 학습을 통해 모델은 특정 데이터 세트의 요구 사항에 더 잘 적응할 수 있으며, 이를 통해 새로운 폴리머를 생성하는 데 있어 더 높은 효율성과 정확성을 보여줍니다.

MIT와 Toyota Research Institute는 자동차 분야에서 AI의 광범위한 사용을 촉진하기 위해 협력합니다.

사실, 이 연구는 MIT와 도요타 연구소의 첫 번째 협업이 아닙니다. 양측의 협력 역사는 10년 전으로 거슬러 올라가며, 그 결과는 매우 유익합니다.

토요타 자동차는 2015년 9월 초에 향후 5년간 5,000만 달러를 투자하여 MIT와 스탠포드 대학과 협력하여 자율주행차 공동 개발을 위한 연구 센터를 설립할 것이라고 발표했습니다. 이 협업은 자동차 연구 개발에 AI를 광범위하게 적용할 수 있는 기반을 마련합니다.

그로부터 딱 1년 후, MIT 교통물류센터, AgeLab, 도요타 협력안전연구센터(CSRC)가 공동으로 DriveSeg라는 혁신적인 오픈 데이터 세트를 출시했습니다. 이 데이터 세트는 비디오를 통해 운전 장면을 포착하고 실제 동적 운전 상황에 더 가까운 데이터 스트림을 제공하여 머신 러닝, 장면 이해, 행동 예측과 같은 분야의 개발을 크게 촉진합니다.

2020년에 MIT, 도요타 연구소, 스탠포드 대학의 연구팀은 "충전 머신 러닝을 통한 배터리용 고속-S 프로토콜의 폐쇄 루프 최적화"라는 제목의 논문을 Nature에 발표하면서 머신 러닝 모델을 소개했습니다.이 모델은 배터리 충전 테스트 시간을 약 2년에서 16일로 약 15배 단축시켰습니다.배터리 수명을 정확하게 예측할 수 있습니다. 이 방법은 배터리 개발의 다양한 측면을 가속화하고 제조업체가 배터리를 보다 효율적으로 설계하고 제조하는 데 도움이 될 것으로 기대됩니다.

논문 링크:

10.1038/s41586-020-1994-5

5년 협정은 만료되었지만, 여러 당사자 간의 협력은 중단되지 않았습니다. 2021년에 MIT, 도요타 연구소, 스탠포드 대학, SLAC의 연구팀은 Nature Materials에 "전기 자가 촉매 작용에 의한 Li 적층 산화물의 가상 상 분리"라는 제목의 논문을 발표했습니다.최초로, "과학적 기계 학습"이 배터리 사이클 연구에 적용되었습니다.이 기술은 리튬 이온 배터리의 충전 및 방전에 대한 기존 가정을 뒤집고 10분 이내에 완전히 충전할 수 있는 장수명 전기 자동차 배터리를 설계하기 위한 새로운 규칙을 제공합니다.

논문 링크:

10.1038/s41563-021-00936-1

이제 MIT와 도요타 연구소는 다시 협력하여 새로운 폴리머 후보를 지속적으로 생성하고 평가하는 방법을 개발했습니다. 이러한 접근 방식은 복잡한 폴리머 설계 문제를 해결하고 차세대 배터리 소재에 대한 탐색을 발전시키는 데 큰 잠재력을 가지고 있습니다.

리튬 배터리 산업의 업그레이드 및 혁신: AI가 핵심 개발을 촉진합니다

전기 자동차의 광범위한 사용부터 우리가 매일 사용하는 스마트폰과 노트북과 같은 가전제품, 스마트 홈 기기에 이르기까지, 리튬 배터리는 효율적인 에너지 저장 기능으로 이러한 기기에 강력한 전력을 제공합니다.

전 세계적으로 정부는 리튬 배터리 개발에 많은 관심을 기울여 왔습니다. 예를 들어, "신산업표준화 시범사업 실시계획(2023-2035)"을 이행하기 위해 공업정보화부 등 4개 부처는 2024년 11월에 "국가 리튬전지산업표준체계구축지침(2024년판)"을 발표하여 리튬전지산업표준의 최상위 설계를 강화하고, 리튬전지산업의 건전하고 질서 있는 발전을 촉진하는 것을 목표로 합니다.

미국, 유럽, 한국 등의 국가와 지역도 글로벌 경쟁에서 선두 자리를 유지하기 위해 리튬 배터리 연구 및 개발에 대한 투자를 늘리고 있습니다. 예를 들어, 2021년 11월, 미국 에너지부, 국방부, 상무부, 국무부가 공동으로 설립한 연방 첨단 배터리 연합(FCAB)은 미국 리튬 배터리 제조 가치 사슬에 대한 투자를 유도하고 일자리를 창출하는 것을 목표로 하는 2021~2030년 미국 리튬 배터리 국가 청사진을 발표했습니다. 이러한 정책은 기술 혁신을 촉진할 뿐만 아니라, 리튬 배터리의 광범위한 적용을 위한 견고한 기반을 제공합니다.

그러나 다양한 기기의 성능 요구 사항이 지속적으로 향상됨에 따라 현재 리튬 배터리의 연구 개발은 여전히 재료 혁신의 진행이 비교적 느리고, 방대한 양의 배터리 데이터를 효과적으로 처리하고 분석하는 데 어려움이 있는 등 지속적인 과제와 혁신 요구에 직면해 있습니다.

리튬 배터리 산업은 기술 혁신의 물결의 정점에 있으며, AI는 의심할 여지 없이 이러한 기술 르네상스를 이끄는 핵심 동력입니다.예를 들어, 세계 최대 리튬 배터리 제조업체인 Contemporary Amperex Technology Co., Ltd.(CATL)는 AI 기술을 사용하여 재활용 프로세스를 최적화하고 리튬 배터리 재활용 분야에서 상당한 진전을 이루었으며, 리튬 회수율을 91%로 높였습니다. 이노실리콘은 첨단 인공지능 알고리즘과 빅데이터 분석 기술을 활용하여 리튬 배터리 생산의 모든 측면을 심층적으로 최적화했습니다. 이를 통해 리튬 배터리 생산의 지능화 수준을 향상시킬 뿐만 아니라 새로운 리튬 배터리 소재의 연구 개발 및 응용도 가속화합니다.

앞으로도 리튬 배터리 산업은 상당한 업그레이드와 변화를 겪을 것입니다. 기술의 지속적인 발전과 시장 수요의 꾸준한 성장에 따라, 리튬 배터리는 에너지 전환과 지속 가능한 개발에 있어서 점점 더 중요한 역할을 하게 될 것입니다. 이러한 과정에서 AI 기술은 전례 없는 추진력을 보여주고 있으며, 산업의 지속적인 발전을 위한 핵심 동력을 지속적으로 제공하고 있습니다.