당신이 태어난 날에 당신의 부모에게 당신의 수명을 알려주는 심령술사를 상상해 보십시오.새로운 계산 모델을 사용하여 단 한 번의 실험 데이터 주기를 기반으로 배터리 수명을 계산하는 배터리 화학자에게도 유사한 경험이 가능합니다.

새로운 연구에서 미국 에너지부(DOE) 아르곤 국립 연구소(Argonne National Laboratory)의 연구원들은 다양한 배터리 화학 물질의 수명을 예측하기 위해 기계 학습의 힘을 활용했습니다.과학자들은 6개의 서로 다른 배터리 화학을 대표하는 300개의 배터리 세트에서 아르곤에서 수집한 실험 데이터를 사용하여 서로 다른 배터리가 얼마나 오랫동안 계속 작동하는지 정확하게 결정할 수 있습니다.

Argonne 연구원들은 기계 학습 모델을 사용하여 다양한 화학 물질에 대한 배터리 수명을 예측했습니다.(이미지 제공: Shutterstock/Sealstep.)

기계 학습 알고리즘에서 과학자들은 초기 데이터 세트에 대해 추론을 수행하도록 컴퓨터 프로그램을 훈련시킨 다음 해당 훈련을 통해 배운 내용을 바탕으로 다른 데이터 세트에 대한 결정을 내립니다.

이번 연구의 저자이자 아르곤 컴퓨터 과학자인 노아 폴슨(Noah Paulson)은 “휴대폰에서 전기 자동차, 그리드 스토리지에 이르기까지 모든 종류의 배터리 애플리케이션에서 배터리 수명은 모든 소비자에게 근본적으로 중요합니다.”라고 말했습니다.​“배터리가 고장날 때까지 수천 번 배터리를 순환해야 하는 데는 몇 년이 걸릴 수 있습니다.우리의 방법은 다양한 배터리의 성능을 신속하게 확인할 수 있는 일종의 계산 테스트 주방을 만듭니다."

“현재 배터리 용량이 어떻게 감소하는지 평가하는 유일한 방법은 실제로 배터리를 순환시키는 것입니다.”라고 이번 연구의 또 다른 저자이자 아르곤 전기화학자 Susan "Sue" Babinec이 덧붙였습니다.​“매우 비싸고 시간도 오래 걸립니다.”

Paulson에 따르면 배터리 수명을 설정하는 과정은 까다로울 수 있습니다.​"현실은 배터리가 영원히 지속되지 않는다는 것입니다. 얼마나 오래 지속되는지는 우리가 배터리를 사용하는 방식은 물론 디자인과 화학적 성질에 따라 달라집니다."라고 그는 말했습니다.​“지금까지는 배터리가 얼마나 오래 지속되는지 알 수 있는 좋은 방법이 없었습니다.사람들은 새 배터리를 구입해야 할 때까지 시간이 얼마나 남았는지 알고 싶어할 것입니다.”

이 연구의 한 가지 독특한 측면은 다양한 배터리 음극 재료, 특히 Argonne의 특허받은 니켈-망간-코발트(NMC) 기반 음극에 대해 Argonne에서 수행한 광범위한 실험 작업에 의존했다는 것입니다.Paulson은 "우리는 서로 다른 화학적 성질을 나타내는 배터리를 가지고 있으며, 성능이 저하되고 고장나는 방식이 다릅니다."라고 말했습니다.​"이 연구의 가치는 다양한 배터리 성능에 대한 특징적인 신호를 제공했다는 것입니다."

이 분야에 대한 추가 연구는 리튬 이온 배터리의 미래를 이끌 잠재력이 있다고 Paulson은 말했습니다.​"우리가 할 수 있는 일 중 하나는 알려진 화학에 대해 알고리즘을 훈련시키고 알려지지 않은 화학에 대해 예측하도록 하는 것입니다."라고 그는 말했습니다.​"기본적으로 이 알고리즘은 더 긴 수명을 제공하는 새롭고 향상된 화학 물질의 방향을 알려주는 데 도움이 될 수 있습니다."

이러한 방식으로 Paulson은 기계 학습 알고리즘이 배터리 재료의 개발 및 테스트를 가속화할 수 있다고 믿습니다.​“새로운 자료가 있고 이를 몇 번 순환한다고 가정해 보겠습니다.우리 알고리즘을 사용하여 수명을 예측한 다음 실험적으로 계속 순환할지 여부를 결정할 수 있습니다."

Babinec은 "당신이 연구실의 연구원이라면 더 빠르게 평가할 수 있는 방법이 있기 때문에 더 짧은 시간에 더 많은 재료를 발견하고 테스트할 수 있습니다"라고 덧붙였습니다.

연구를 바탕으로 한 논문, ​“기계 학습을 위한 기능 엔지니어링을 통해 배터리 수명을 조기에 예측할 수 있습니다.,” 2월 25일자 Journal of Power Sources 온라인 판에 게재되었습니다.

Paulson과 Babinec 외에도 Argonne의 Joseph Kubal, Logan Ward, Saurabh Saxena 및 Wenquan Lu가 이 논문의 다른 저자입니다.

이 연구는 아르곤 연구소 주도 연구 개발(LDRD) 보조금으로 자금을 지원 받았습니다.