테슬라가 자체적으로 배터리를 만들 수 있는 여건이 조성되었기 때문에


참고
https://www.wired.com/story/ai-is-throwing-battery-development-into-overdrive/
2020-10-12

배터리 개발 속도를 높이는 데 인공지능 투입

배터리 개발 및 개량은 실험과 재현 과정의 느린 속도로 지장을 받았다.
하지만 인공지능이 그 속도를 빠르게 높이고 있다.

스탠퍼드대학에 위치한 프리코트 에너지 연구소의 한 실험실에는 배터리를 최대한 빨리 방전하도록 설계된 냉장고 크기의 캐비닛이 6개 있다. 각 캐비닛에는 하루에 수십 번 배터리를 충전하고 방전할 수 있는 트레이 장치가 있으며 100개 정도의 리튬 이온 셀이 들어간다. 전기화학 토처 체임버(내구성 실험 챔버)에 들어가는 배터리는 일반적으로 전기기기나 전기 자동차에도 사용되지만 이런 내구성 실험 체임버에 넣으면 전원을 다른 곳에 전혀 공급하지 않는다. 대신에, 가능한 한 최대한 빨리 방전이 일어나서 인공지능이 더 나은 배터리 제조 방법을 학습하는 데 도움이 되는 많은 양의 성능 데이터를 생성한다.

스탠퍼드, MIT, 도요타 소속 연구원들이 한팀을 이룬 연구진은 2019년에, 성능이 하락하기 전의 셀 수명 주기 동안 리튬이온 배터리의 성능을 예측할 수 있도록 이들 기계에서 생성된 데이터로 인공지능을 훈련시켰다.
일반적으로, 인공지능(AI)은 배터리가 앞으로 어떻게 작동할지 예측하기 위해 배터리 성능이 저하되기 시작한 이후의 데이터가 있어야 한다. 그 데이터를 얻기 위해 배터리의 수명 주기를 완전히 끝내려면 몇 달이 걸릴 수 있다. 그러나 연구원들이 사용한 AI는 배터리 성능이 정점 상태에 있는 단지 몇 시간 동안의 데이터 수집으로 수명 성능을 예측할 수 있었다. 스탠퍼드 대학의 소재 과학자이자 2019년 논문의 주저자인 '윌리엄 추에'는 "우리의 연구 이전에는 아무도 그것이 가능하다고 생각하지 않았다"고 말했다. 그리고 올해 초, 추에와 그의 동료들은 다시 그 실험을 했다. 추에와 동료들은 지난 2월 네이처에 발표된 논문에서 AI가 리튬이온 배터리를 10분간 빠르게 충전하는 최적의 방법을 발견하도록 하는 실험을 설명했다.

많은 전문가는 전기 자동차에 빠른 충전 속도의 배터리가 매우 중요하다고 생각하지만, 내연기관차의 연료 탱크를 채우는 데 걸리는 시간만큼 빠른 속도로 셀에 충전 에너지를 급속히 주입하면 성능이 급속히 떨어질 수 있다고 지적했다. 빠르게 충전되는 배터리를 실험실에서 현실 세계로 적용하기 위해서는 충전 속도와 배터리 수명 사이의 최적 지점을 찾는 것이 중요하다는 의미다. 문제는 배터리에 전기 에너지를 주입하는 방법이 사실상 무한대라는 점이다. 추에는 그것을 양동이에 물을 붓는 가장 좋은 방법을 찾는 것과 비교한다. 가장 좋은 것을 찾기 위해 모든 가능성을 실험으로 검토하고 실시하는 것은 느리고 힘든 일이다. 하지만, 그것은 AI가 도움을 줄 수 있는 부분이다.

그 연구에서 추에와 동료 연구자들은 한 달도 안 되어 리튬 이온 배터리를 빠르게 충전하기 위한 최적의 방법을 찾는 데 성공했다. AI의 도움 없이 동일한 결과를 얻으려면 보통 2년이나 걸린다. 추에는 우리 연구가 배터리 연구개발 속도를 높이는 데 도움이 된다고 말했다. 새로운 화학을 발견하든, 더 안전한 배터리를 만드는 방법을 찾든, 그것은 모두 시간이 오래 걸린다. 우린 시간을 절약하려고 노력하고 있다고 언급했다.

지난 10여 년간 배터리 성능은 급상승했고 가격은 많이 내려갔다. 많은 전문가가 전기 에너지 사용을 에너지 시스템의 탄소 배출을 억제하는 탈탄소화의 열쇠로 보고 있다는 것을 고려하면, 이것은 좋은 소식이다. 하지만 추에와 같은 연구자들에게 배터리 혁신의 속도가 충분히 빠르게 이루어지지 않고 있다. 이유는 간단하다. 배터리는 매우 복잡하다.
더 나은 배터리를 만드는 것은 생산 과정의 모든 단계를 무자비하게 최적화하는 것을 의미한다. 그것은 모든 과정에서 덜 비싼 원자재, 더 나은 화학, 더 효율적인 제조 기술을 사용하는 것이다. 하지만 최적화에 필요한 많은 변수가 있다. 그리고 흔히 한 영역(예: 에너지 저장 밀도)의 개선은 충전 속도와 같은 다른 영역의 개선에서 비용 상승으로 이어지는 일이 많다.

AI는 거대한 검색 공간에서 최적의 해결책을 찾는 것과 같은 방식으로 문제를 해결한다. 그러나 최근까지 배터리 연구 및 설계 AI는 데이터 부족으로 인해 문제를 겪었다. 스탠퍼드에서 배터리 분석을 연구하는 데이터 과학자인 '브루이스 반 블리젠'은 "역사적으로 배터리 데이터는 연구자와 기업 간에 공유되지 않기 때문에 수집하기가 매우 어려웠다"고 말했다. 추에와 동료들은 2019년 논문에 이어 배터리 데이터를 모두 공개해 다른 연구자들이 AI 알고리즘을 훈련시키는 데 사용할 수 있도록 했다. 그 당시까지 공개된 배터리 성능 데이터 중 최대 규모였다.

아르곤 국립연구소의 데이터 과학 부서 임원인 '이안 포스터'에게 양질의 데이터가 부족한 것은 낯선 문제다. 포스터와 동료 연구원들은 전극 사이에 들어가는 전해질로 사용함으로써 성능 향상을 끌어내는 화학물질을 찾기 위해 인공지능 학습 알고리즘에 적용할 수 있는 분자 데이터베이스를 구축해 왔다. 배터리의 다른 구성 요소들과 마찬가지로 전해질도 에너지 밀도와 같은 바람직한 특성을 높이거나 독성과 같은 바람직하지 않은 특성을 줄이기 위해 조정할 수 있다. 포스터는 역사적으로 새로운 전해질 물질을 찾는 것은 시행착오의 연속이었다고 말했다. 우리는 AI를 사용하여 사용 가능한 물질을 무한정으로 탐색하는 것이 목표라고 언급했다.

2019년 말 아르곤 연구소의 연구팀은 13만 3000개의 유기 분자가 등록되어 있는 기존 데이터베이스와 실험실의 슈퍼컴퓨터를 이용해 최대 9개의 "중원소" 또는 비수소 원자로 이루어진 분자의 특성을 초정밀 시뮬레이션으로 구현하는 방법을 상세히 기술한 논문 한 쌍을 발표했다. 그들의 아이디어는 이 데이터베이스를 사용하여 비교적 작은 데이터 세트에서 바람직한 특성을 가진 분자를 찾도록 인공지능 알고리즘을 훈련시켜 훨씬 더 큰 데이터 세트를 탐구하도록 하는 것이다. 대부분의 배터리 전해질 분자는 20개 이상의 중원소로 구성될 수 있으며 그러한 원소들이 결합할 수 있는 가짓수는 대단히 많다. 예를 들어, 최대 17개의 무거운 중원소 원자를 가진 유기 분자를 담은 다른 데이터베이스에는 1660억 개의 후보 물질들이 등록되어 있다. 그것은 AI를 사용하지 않고는 유망한 후보물질을 찾기에 너무나 큰 용량이다.

포스터는 아르곤 연구소의 전해질 탐색 알고리즘이 초기 단계라고 말한다. 아직 새로운 물질을 확인하지는 못했지만, 다음 단계는 실험을 위해서 전해질 물질을 사용하여 물리적 셀을 만드는 것이다. 그런 다음 실험으로 얻어진 데이터를 사용하여 알고리즘을 더욱 정교하게 다듬고 더 나은 후보물질로 검색 범위를 좁히는 데 사용한다. 포스터는 가능성 있는 수많은 전해질 물질에서 수백만 대의 자동차에 실제로 사용될 수 있는 전해질을 찾는 것은 기나긴 과정이 필요하다고 말한다. 따라서 인공지능 사용 목적은 일련의 실험 과정 속도를 높이는 것이라고 언급했다.

한편 포스터 연구팀은 몇몇 연구 기관 및 기업의 배터리 연구자들과 협력하여 단체 간 데이터 공유를 용이하게 하고 있다. 이 단체는 시카고 대학에서 개발한 플랫폼인 데이터 스테이션(Data Station)을 사용하여 외부인들이 데이터에 직접 접근하지 않고도 서로 다른 그룹이 제공한 데이터 풀에서 인공지능 알고리즘 모델을 훈련시킬수 있기를 바라고 있다. 인공지능 학습 모델이 플랫폼에 업로드되고 데이터로 훈련된 후 원래의 연구원들에게 다시 전송된다. 데이터의 구체적인 내용은 모르지만, 그 데이터와 접촉하면 배터리에 대한 예측을 할 수 있는 알고리즘 모델의 능력이 향상되었는지 여부를 알 수 있다. 포스터와 협력자들은 이것이 잠재적인 경쟁자들에게 독점적인 데이터가 누출하는 것에 대한 사람들의 우려를 완화시켜주면서 동시에 대규모 데이터 세트를 구축할 수 있기를 바라고 있다.

하지만 거대한 공유 데이터베이스가 없어도 배터리 개발에 AI를 사용하는 것은 이미 달아오르고 있다. 올여름 에너지 분야 프론티어스 저널에 게재된 논문에서 자세히 설명했듯이, 지난 1년 동안 AI가 다수의 배터리 연구 응용 분야에 사용되어 왔다. 소재 측면에서 에너지 저장 밀도를 획기적으로 높일 수 있지만 사용하기에는 현재 안전에 대한 우려가 큰 리튬 메탈 양극재를 안정화시킬 수 있는 분자를 연구하는 데 사용되어 왔다. 또한 인공지능 학습은 고체 전해질을 사용하는 배터리의 성능을 올리기 위해서 잠재력을 가진 음극 코팅 물질을 발견하는 데 사용되었는데, 고체 전해질은 오늘날 배터리에서 사용되는 액체 전해질보다 안전하다. 배터리 운영 시스템을 최적화하고 배터리에 대한 정밀한 수학적 모델을 만들어 전기차에서의 성능을 시뮬레이션함으로써 기존 배터리에 대한 연구자들의 이해를 높이는 데도 AI가 활용됐다. 어떤 한 AI는 리튬이온 배터리에 대한 현재의 연구를 요약한 책까지 썼다.

배터리 상태에 대한 새로운 예측 변수를 찾기 위해 최근 인공지능 학습을 사용한 케임브리지 대학의 통계 물리학자 '알파 리'는 "기존 배터리 재료에는 알려지지 않은 잠재력이 많이 있는데, 이 잠재력을 끌어내는 배터리의 상태를 예측하는 새로운 변수를 찾기 위해 인공지능 학습을 사용해 왔다"고 말했다. "배터리 연구개발 소프트웨어의 혁신은 디지털 혁명에서 보았던 엄청난 확장성을 끌어내고 에너지 저장 기술의 새로운 시대를 이끌 것이다."고 덧붙였다.

다음 단계는 이러한 인공지능 학습 방법을 실험실에서 실제 제품화로 끌어내서 전자기기와 자동차에 동력을 공급할 배터리를 만드는 것이다. 2018년 설립된 슬로바키아에 본사를 둔 회사인 이노뱃이 그 길을 이끌고 있을지도 모른다. 이 회사는 캘리포니아에 본사를 둔 와일드캣 디스커버리 테크놀로지스가 개발한 AI 기반 연구 플랫폼을 이용해 맞춤형 전기차 배터리 셀을 만들려고 신속하게 새로운 배터리 화학물질 시제품을 제작하고 있다. 이노뱃의 CEO 마리안 보섹에 따르면 AI 플랫폼은 새로운 리튬이온 화학물질을 포괄적으로 탐구할 수 있게 해 발견 과정을 획기적으로 앞당길 수 있는 잠재력을 지니고 있다고 한다. 즉, 한 번에 하나의 배터리 구성품을 조정하고 각각의 과정을 철저히 테스트하기보다는 여러 가지 서로 다른 변수를 동시에 수정하면서 AI가 배터리의 성능을 시뮬레이션할 수 있다는 것이다.

이노뱃의 AI 사용 연구를 제약업계에서 의약품 발견의 자동화에 비유한 보섹은 "기존 연구소에 비해 새로운 배터리 셀 화학물질 발견 속도가 10배 빠르다"고 말한다. 우리는 전기차 산업을 지배하고 있는 '천편일률적인' 연구 방법에서 벗어나고 있다고 전했다.

이노뱃은 AI로 설계된 첫 '지능형 배터리'를 지난주 공개했다. 보섹은 이 발표에서 이 배터리가 "동급 최고" 전기차의 주행 거리를 거의 20% 증가시킬 수 있다고 발표했다. 하지만 곧 일반적인 전기차에 탑재되는 배터리 팩에 그것이 사용될 것이라고 기대하지 마라. 파나소닉이나 삼성과 같은 리튬이온 셀의 메이저 생산자들과 달리 이노뱃은 배터리 특화업체에 가깝다. 고성능 전기차나 전기 항공기 등 특화된 운송 기계에 주력하고 있으며, 고객의 특정 요구에 맞는 셀 개발을 위해 소량 생산이 가능하다. 보섹은 "셀 형태와 에너지 밀도 측면에서 맞춤형 솔루션을 개발할 수 있는 능력을 갖춘 것은 시장에서 우리밖에 없다"고 말한다.

보섹은 이 회사의 시험생산공장이 내년 말까지 첫 배터리를 내놓을 것이라고 말한다. 이 공장은 AI 설계 배터리를 연간 100메가와트시 용량으로 생산하는 목표를 잡았다. 이는 네바다에 위치한 테슬라의 기가팩토리 공장 생산량의 약 1%에 해당하는 수준이다. 보섹은 5년 이내에 10기가와트시로 생산량을 확대할 계획이라고 말했다. 이는 지난달 테슬라가 배터리데이 행사에서 발표한 캘리포니아에 위치한 새 시험 공장의 계획 생산량과 동등한 수준이 될 것이다.

배터리 개발에 AI 사용이 널리 확산되는 것은 지구 온난화에 좋은 소식이다. 배터리 저장장치는 전력망에서 재생 에너지양을 증가시키는 핵심 요소로서, 에너지 공급에서 탈탄소화를 추진하는 것은 더는 미룰 수 없다. 수십 년간의 기나긴 여정 끝에, AI 기반 배터리 연구는 마침내 속도의 혁신을 이뤘다. 추에는 이 모든 것이 탈탄소화와 관련이 있다고 말한다. 시간이 얼마 없기 때문에 빨리 전진하기를 원한다고 언급했다.

-------------------------------------------------------------------------------------------

스탠퍼드, MIT, 도요타에다 아르곤 국립연구소, 시카고 대학, 이노뱃, 와일드캣 디스커버리 테크놀로지스
등등해서 엄청 빠르게 발전하고 있다.

테슬라가 자체적으로 빠른 시간안에 획기적인 배터리를 만든다는 소리가 그냥 나온 게 아니란 말이다.

한국 배터리 산업이 앞서네! 뭐네 해도 미국의 기술개발 역량은 한국보다 훨씬 우월하고
미국도 자체적으로 만들려고 나서기 시작한 이상 한국 배터리 산업이
미국에 밀려나는 것은 시간문제가 된다.