누락된 실험 데이터 보완하고 예측 신뢰도까지 함께 제시

KAIST는 신소재공학과 홍승범 교수 연구팀이 실험 데이터가 불완전한 상황에서도 배터리 양극재의 입자 크기를 예측하고, 해당 예측 결과의 신뢰도까지 함께 제시하는 인공지능(AI) 기반 머신러닝 프레임워크를 개발했다고 1월 26일 밝혔다. 배터리 양극재는 리튬이온 배터리의 성능과 수명을 좌우하는 핵심 소재로, 전기차 주행거리와 충전 속도, 안전성에 직접적인 영향을 미친다. 현재 가장 널리 사용되는 양극재는 니켈(Ni), 코발트(Co), 망간(Mn)을 혼합한 NCM 계열 금속 산화물로, 이 물질을 구성하는 1차 입자의 크기가 배터리 성능을 결정하는 중요한 요소로 알려져 있다. 입자가 지나치게 크면 성능 저하가 발생하고, 반대로 너무 작을 경우 안정성 문제가 나타날 수 있다.

기존 연구 환경에서는 입자 크기를 제어하기 위해 소결 온도와 시간, 재료 조성 등을 바꿔가며 반복 실험을 수행해야 했다. 그러나 실제 실험 과정에서는 모든 공정 조건을 빠짐없이 측정하기 어렵고, 일부 데이터가 누락되는 경우도 잦아 공정 조건과 입자 크기 간의 관계를 정밀하게 분석하는 데 한계가 있었다.

연구팀은 이러한 문제를 해결하기 위해 화학적 특성을 고려해 누락된 실험 데이터를 보완하는 기술(MatImpute)과, 예측 불확실성을 함께 계산하는 확률적 머신러닝 모델(NGBoost)을 결합한 AI 프레임워크를 설계했다. 이 모델은 입자 크기 예측값뿐 아니라, 해당 예측을 어느 정도까지 신뢰할 수 있는지에 대한 정보를 함께 제공하는 것이 특징이다.

실험 데이터를 확장해 학습한 결과, AI 모델은 약 86.6%의 예측 정확도를 보였다. 분석 과정에서는 양극재 입자 크기가 재료 성분보다도 소결 온도와 시간 등 공정 조건의 영향을 더 크게 받는 것으로 나타났으며, 이는 기존 실험적 이해와도 부합하는 결과다.

연구진은 예측 신뢰도를 검증하기 위해 기존 데이터에 포함되지 않았던 제조 조건으로 NCM811 조성의 양극재 시료 4종을 새롭게 합성해 실험을 진행했다. 그 결과 AI가 예측한 입자 크기는 실제 현미경 측정 결과와 거의 일치했으며, 오차는 대부분 0.13마이크로미터(μm) 이하로 확인됐다. 실제 실험 결과가 AI가 제시한 예측 불확실성 범위 안에 포함되면서, 예측값과 함께 신뢰도 평가의 타당성도 확인됐다.

홍승범 교수는 AI가 예측 결과뿐 아니라 신뢰도까지 함께 제시한다는 점이 핵심이라며, 차세대 배터리 소재를 보다 빠르고 효율적으로 설계하는 데 실질적인 도움이 될 수 있을 것이라고 밝혔다. 이번 연구는 신소재공학과 조은애 교수팀과의 공동연구로 수행됐으며, 연구 결과는 국제 학술지 Advanced Science에 게재됐다. 연구는 과학기술정보통신부와 한국연구재단의 미래융합기술파이오니어(전략형) 사업 지원을 받아 진행됐다.