AI 머신러닝으로 '전기차(EV) 배터리' 개발 혁신적으로 당겨준다
AI 머신러닝으로 '전기차(EV) 배터리' 개발 혁신적으로 당겨준다
  • 최창현 기자
  • 승인 2020.02.24 07:00
  • 댓글 0
이 기사를 공유합니다

배터리 개선에 인공지능 역할 기대 ...풍력 및 태양열 발전 등으로 전환에도 영향 미칠 것
이 기술은 배터리 개발을 위한 새로운 방법으로 이 연구로 개발된 머신러닝 모델과 데이터 수집 시스템은 미래의 배터리 과학자들이 자유롭게 사용할 수 있도록 한다(사진:스텐포드)
이 기술은 배터리 개발을 위한 새로운 방법으로 이 연구로 개발된 머신러닝 모델과 데이터 수집 시스템은 미래의 배터리 과학자들이 자유롭게 사용할 수 있도록 한다(사진:스텐포드)

전기자동차(이하 EV)의 초고속 충전 배터리를 설계하는 것은 가장 큰 도전 과제이다. 빠른 충전은 배터리에 더 큰 부담을 주며, 이로 인해 배터리가 조기에 손상되거나 고장 나는 경우가 많다.

EV의 총 비용 중 큰 부분을 차지하는 구성 요소인 배터리 팩의 손상을 방지하기 위해 배터리 엔지니어는 가장 적합한 충전 방법을 찾기 위해 철저한 일련의 충전 방법을 테스트해야 한다.

이처럼 EV에서 배터리 개발 프로세스는 배터리 성능에서부터 주행 거리에서 충전 시간, 자동차 수명에 이르기까지 모든 단계에서 신기술이 얼마나 지속될지를 결정하기 위해 몇개월 또는 몇년 동안 테스트해야 하며, 이 테스트와 평가 시간은 주요 과제로 작용한다.

이제 인공지능은 우리가 주유소에서 주유하는 데 걸리는 시간으로 EV를 재충전하는 것과 같은 꿈을 현실로 만들고 있으며 배터리 기술의 다른 측면을 개선하는 데 도움이 될 수 있는 혁신적인 기술이 개발됐다.

스탠포드대학교(Stanford University) 컴퓨터공학과 교수 스테파노 에르몬(Stefano Ermon)과 재료공학과 윌리엄 츄이(William Chueh) 교수가 이끌고 MIT, 그리고 도요타 연구소(Toyota Research Institute. TRI)의 공동 연구팀이 근본적인 학문적 연구와 실제 산업 응용 분야를 연결하는 대규모 공동 작업으로 팀은 이러한 테스트 시간을 98% 단축시키는 AI 머신러닝 기반의 혁신적인 '클로즈 루프 최적화(CLO, Closed-Loop Optimization)' 기술을 개발한 것이다.

지난 19 일 네이처(Nature)에 발표된 이 연구의 목표는 배터리의 전체 수명을 최대화하고 10분 이내에 EV배터리를 충전하기 위한 최상의 방법을 찾는 것이다. 연구팀은 배터리 수명을 최대화하기 위한 6단계와 10분의 빠른 충전 프로토콜의 전류와 전압 프로필을 지정하여 매개 변수 공간을 효율적으로 최적화하는 머신러닝 방법을 개발했다. 이 연구는 스탠포드, 도요타 연구소(TRI), 국립 과학 재단(National Science Foundation), 에너지부(U.S. Department of Energy), 마이크로 소프트의 지원을 받았다.

클로즈 루프 최적화(CLO, Closed-Loop Optimization)시스템의 개략도. 첫째, 배터리를 테스트한다. 처음 100사이클의 데이터(특히, 전압과 용량과 같은 전기 화학적 측정)는 사이클 수명의 초기 결과 예측을 위한 입력으로 사용된다. 머신러닝 모델의 이러한 사이클 수명 예측은 이후에 BO알고리즘으로 보내지는데, 이는 탐사(추정 사이클 수명의 높은 불확실성을 가진 시험 프로토콜)와 이용(추정 사이클 수명을 가진 시험 프로토콜)의 경쟁적 수요의 균형을 맞추어 시험한다.이 과정은 소진될 때까지 반복된다. 이 접근 방식에서 초기 예측은 테스트한 배터리당 필요한 주기 수를 줄이는 반면, 최적의 실험 설계는 필요한 실험 횟수를 줄인다. 초기 결과 예측 변수를 교육하고 BO 하이퍼패러미터(hyperparameters)를 설정하기 위해 사이클에 사용한 배터리의 작은 교육 데이터 세트가 사용된다. 향후 작업에서는 배터리 소재와 프로세스는 이 폐쇄 루프 시스템에 통합될 수 있다.(도표:논문캡처)
클로즈 루프 최적화(CLO, Closed-Loop Optimization)시스템의 개략도. 첫째, 배터리를 테스트한다. 처음 100사이클의 데이터(특히, 전압과 용량과 같은 전기 화학적 측정)는 사이클 수명의 초기 결과 예측을 위한 입력으로 사용된다. 머신러닝 모델의 이러한 사이클 수명 예측은 이후에 BO알고리즘으로 보내지는데, 이는 탐사(추정 사이클 수명의 높은 불확실성을 가진 시험 프로토콜)와 이용(추정 사이클 수명을 가진 시험 프로토콜)의 경쟁적 수요의 균형을 맞추어 시험한다.이 과정은 소진될 때까지 반복된다. 이 접근 방식에서 초기 예측은 테스트한 배터리당 필요한 주기 수를 줄이는 반면, 최적의 실험 설계는 필요한 실험 횟수를 줄인다. 초기 결과 예측 변수를 교육하고 BO 하이퍼패러미터(hyperparameters)를 설정하기 위해 사이클에 사용한 배터리의 작은 교육 데이터 세트가 사용된다. 향후 작업에서는 배터리 소재와 프로세스는 이 폐쇄 루프 시스템에 통합될 수 있다.(도표:논문캡처)

연구팀은 EV 배터리를 충전하는 가장 좋은 방법을 찾아 배터리의 전체 수명을 최대화하는 것과 몇 번의 충전 주기만으로 배터리가 다른 충전 방식에 어떻게 반응하는지 예측하는 프로그램을 개발하고 이 솔루션는 어떤 충전 방식이 초점을 맞추거나 무시할 것인지 실시간으로 결정했다. 결과적으로 시험 기간과 횟수를 모두 줄임으로써 연구팀은 배터리 테스트 과정을 보통 2 년이 소요되던 것을 16 일로 단축했다.

새로운 연구는 과정을 최적화하기 위해 두가지 중요한 방법을 사용했다.

첫번째로, 그들은 실험당 시간을 줄이기 위해 지난해 3월 발표된 'AI, 배터리의 유효 수명을 정확하게 예측(AI accurately predicts the useful life of batteries)' 연구에서 배터리 수명을 시험하는 일반적인 방법인 고장 날 때까지 모든 배터리를 충전하고 재충전하는 대신 처음 100번 충전 사이클 후에 배터리가 얼마나 지속될지 예측할 수 있다는 것을 발견했다.

이는 고장 난 몇개의 배터리에 대해 학습한 머신러닝 시스템이 배터리 수명을 예측한 초기 데이터에서 패턴을 발견할 수 있었기 때문이다.

두번째로, 머신러닝은 테스트해야 할 방법의 수를 줄였다. 모든 가능한 충전 방법을 동등하게 테스트하거나 직관에 의존하는 대신, 컴퓨터는 테스트할 최고의 프로토콜을 빠르게 찾는 방법을 학습을 더 적은 주기로 더 적은 방법을 테스트함으로써, 연구팀은 배터리를 위한 최적의 초고속 충전 프로토콜을 발견했다.

이 연구를 이끈 스탠포드대학 에르몬 교수는 "테스트 프로세스의 속도를 크게 높일 뿐만 아니라, 배터리 과학자들이 고안한 것보다 컴퓨터의 해결책이 훨씬 더 효과적이었다"라며, "충전을 시작할 때 가장 높은 전류를 충전하는 대신 알고리즘은 충전 중간에 가장 높은 전류를 사용했다"고 밝혔다.

또 그는 이번 연구 방법의 잠재력은 배터리 세계를 넘어서도 확대 될 것이라고 말했다. "약물 개발에서 X- 레이 및 레이저의 성능 최적화에 이르기까지 다른 테스트 문제도 머신러닝 최적화를 사용하여 혁명을 일으킬 수 있습니다. 그리고 궁극적으로, 그것은 가장 기본적인 프로세스 중 하나를 최적화하는 데 도움이 될 수 있다"고 덧붙였다.(아래는 개발된 새로운 머신러닝으로 EV를 위한 배터리 개발을 소개하는 영상이다.)

또한 연구팀은 그들의 접근법이 배터리의 화학적 성질을 설계하는 것에서부터 크기와 모양을 결정하는 것, 그리고 제조와 저장을 위한 더 나은 시스템을 찾는 것에 이르기까지 거의 모든 배터리 개발 파이프라인의 속도를 높일 수 있을 것이라고 말했다. 이는 전 세계적으로 풍력 및 태양열 발전으로 전환하기 위한 핵심 요건으로 전기 차량뿐만 아니라 다른 유형의 에너지 저장에도 광범위한 영향을 미칠 것이라고 밝혔다.

한편, 연구팀은 이 기술은 배터리 개발을 위한 새로운 방법으로 이 연구로 개발된 머신러닝 모델과 데이터 수집 시스템은 미래의 배터리 과학자들이 자유롭게 사용할 수 있도록 할 것이며, 이 시스템은 배터리 개발 및 새롭고 더 나은 신제품 출시와 함께, 프로세스의 또 다른 부분을 최적화함으로써 그 응용 규모는 더 커질 수 있다고 밝혔다.

참고: 이번 연구에 적용된 대규모 데이터 세트(공개)로 리포지토리에는 MATLAB 및 파이썬(python)에서 데이터 세트를 로드하기 위한 시작 코드가 포함(데이터 중심 배터리 수명 예측 다운) 돼 있다. 또한 관련 리포지토리에는 데이터 처리 및 초기 예측 코드(다운), 배터리 사이 클러 테스트 자동 생성을 위한 충전 프로토콜 생성 코드(다운) 및 CLO 알고리즘 및 배터리 파라미터(다운) 등으로 구성된다. 이번 연구논문은 지난 19일 네이처誌(보기)에 '머신러닝을 통한 배터리의 고속충전 프로토콜의 클로즈 루프 최적화(Closed-loop optimization of fast-charging protocols for batteries with machine learning)' 이란 제목으로 게재됐다.


댓글삭제
삭제한 댓글은 다시 복구할 수 없습니다.
그래도 삭제하시겠습니까?
댓글 0
댓글쓰기
계정을 선택하시면 로그인·계정인증을 통해
댓글을 남기실 수 있습니다.