한국과학기술원(KAIST)이 불완전한 데이터로 전기차 배터리 양극재 입자 크기를 예측하는 인공지능(AI)을 개발했다.

한국과학기술원은 신소재공학과 홍승범·조은애 교수 공동연구팀은 실험 데이터가 불완전한 상황에서도 배터리 양극재의 입자 크기를 정확하게 예측하고, 결과의 신뢰도까지 함께 제시하는 머신러닝 프레임워크를 개발했다고 26일 밝혔다. 

연구팀은 전기차 배터리에 널리 쓰이는 니컬(N), 코발트(C), 망간(M)을 혼합한 NCM 계열 양극재에서 1차 입자 크기가 성능을 좌우하는 핵심 요소라는 점에 주목했다. 누락된 실험 데이터를 보완하고 예측 불확실성을 함께 계산하는 확률적 AI 모델을 적용한 결과, 입자 크기 예측 정확도는 약 86.6%에 달했다.

[미니해설] KAIST, 불완전 데이터로 전기차 배터리 성능 예측 AI 개발

전기차 배터리 성능 경쟁의 핵심으로 꼽히는 양극재 개발 과정에 인공지능(AI)이 새로운 돌파구를 제시했다. 

한국과학기술원 신소재공학과 홍승범·조은애 교수 공동연구팀은 실험 데이터가 충분하지 않은 현실적인 연구 환경에서도 양극재 입자 크기를 정밀하게 예측하고, 그 결과를 얼마나 신뢰할 수 있는지까지 함께 제공하는 머신러닝 프레임워크를 개발했다.

현재 전기차 배터리에 가장 널리 사용되는 양극재는 니켈(Ni), 코발트(Co), 망간(Mn)을 혼합한 NCM 계열 금속 산화물이다. 이 소재는 배터리의 수명과 충전 속도, 주행 거리, 안전성에 직결되는 특성을 지닌다. 특히 양극재를 구성하는 미세한 1차 입자의 크기는 충·방전 과정에서의 구조 안정성과 반응 속도를 좌우하는 결정적 요소로 꼽힌다.

문제는 이 입자 크기를 제어하고 최적화하는 과정이 매우 까다롭다는 점이다. 기존 연구 방식에서는 소결 온도와 시간, 조성 비율 등 공정 조건을 바꿔가며 수많은 실험을 반복해야 했다. 그러나 실제 연구 현장에서는 모든 조건을 빠짐없이 측정하기 어렵고, 실험 데이터가 누락되는 경우도 빈번하다. 이로 인해 공정 조건과 입자 크기 사이의 상관관계를 정밀하게 규명하는 데 한계가 있었다.

KAIST 연구팀은 이러한 현실적인 제약을 AI로 극복하는 데 초점을 맞췄다. 연구진이 개발한 프레임워크는 화학적 특성을 반영해 누락된 실험 데이터를 보완하는 기술과, 예측 결과의 불확실성을 함께 계산하는 확률적 머신러닝 모델을 결합한 것이 특징이다. 단순히 ‘값’을 예측하는 데 그치지 않고, 해당 예측이 어느 정도 신뢰할 수 있는지까지 정량적으로 제시한다는 점에서 기존 AI 모델과 차별화된다.

연구팀은 실제 실험 데이터를 확장해 학습을 진행한 결과, 입자 크기 예측에서 약 86.6%의 높은 정확도를 달성했다고 밝혔다. 이는 불완전한 데이터 환경에서도 공정 조건과 물성 간 관계를 상당한 수준으로 재현할 수 있음을 의미한다. 특히 신뢰도 정보를 함께 제공함으로써 연구자들은 예측 결과를 실제 공정 설계에 적용할지 여부를 보다 합리적으로 판단할 수 있게 된다.

이 기술이 주는 가장 큰 의미는 배터리 소재 개발 방식의 전환 가능성이다. 모든 실험 조건을 처음부터 끝까지 탐색하는 대신, AI가 성공 가능성이 높은 조건을 선별해 제시함으로써 연구 효율을 크게 높일 수 있다. 불필요한 반복 실험과 비용을 줄이는 동시에 개발 기간을 단축할 수 있다는 점에서 산업적 파급 효과도 크다.

홍승범 교수는 "모든 실험을 수행하지 않아도 성공 가능성이 높은 조건을 먼저 찾을 수 있는 길을 열었다는 점에서 의미가 크다"며 "배터리 소재 개발 속도를 높이고 연구 비용을 크게 절감할 수 있을 것"이라고 설명했다. 조은애 교수 역시 "예측 결과의 신뢰도를 함께 제공하는 AI는 실제 연구 현장에서 활용도가 높다"고 평가했다.

전문가들은 이번 연구가 배터리 양극재뿐 아니라 다른 기능성 소재 개발에도 적용될 수 있을 것으로 보고 있다. 실험 데이터가 제한적인 소재 연구 분야에서 AI 기반 예측과 불확실성 평가가 결합될 경우, 소재 개발 패러다임 자체가 바뀔 수 있다는 전망이다. 배터리 기술 경쟁이 국가 산업 경쟁력으로 직결되는 상황에서, 이번 KAIST 연구는 국내 배터리 소재 연구의 새로운 방향성을 제시한 성과로 평가된다.