KAIST 연구진이 실험 데이터가 누락된 상황에서도 배터리 양극재(배터리에서 리튬이온을 저장하고 방출하는 핵심 소재)의 입자 크기를 정확히 예측하는 인공지능 기술을 개발했다.
KAIST 신소재공학과 홍승범·조은애 교수팀은 화학 정보를 활용해 빠진 데이터를 보완하고, 예측 결과의 신뢰도까지 함께 제시하는 머신러닝 프레임워크를 만들었다고 26일 밝혔다. 이 기술은 배터리 소재 개발에 필요한 반복 실험을 대폭 줄일 수 있어, 전기차용 배터리부터 차세대 전고체 배터리까지 개발 속도를 높이는 데 기여할 것으로 기대된다.
누락된 데이터 채우고 불확실성까지 계산
배터리 양극재의 성능은 이를 구성하는 1차 입자(양극재를 이루는 가장 작은 단위 입자)의 크기에 따라 크게 달라진다. 입자가 너무 크면 배터리 성능이 떨어지고, 너무 작으면 안정성에 문제가 생긴다. 기존에는 소결 온도와 시간, 재료 조성 등을 바꿔가며 수많은 실험을 반복해야 했지만, 실제 연구 현장에서는 모든 조건을 빠짐없이 측정하기 어려워 데이터 누락이 잦았다.
연구팀은 이 문제를 해결하기 위해 두 가지 기술을 결합했다. 먼저 MatImpute라는 기술로 화학적 특성을 고려해 빠진 실험 데이터를 보완했다. 그다음 NGBoost라는 확률적 머신러닝 모델을 적용해 입자 크기를 예측하면서, 동시에 그 예측을 얼마나 신뢰할 수 있는지에 대한 불확실성 수치도 함께 제공했다. 이 AI 모델은 약 86.6%의 예측 정확도를 달성했으며, 양극재 입자 크기가 재료 성분보다 굽는 온도와 시간 같은 공정 조건에 더 큰 영향을 받는다는 사실도 밝혀냈다.
실제 실험으로 검증 완료
연구진은 AI 예측의 신뢰성을 검증하기 위해 NCM811(니켈 80%, 코발트 10%, 망간 10%를 혼합한 양극재)을 기존 데이터에 없던 제조 조건으로 합성해 시료 4종을 제작했다. 그 결과 AI가 예측한 입자 크기는 현미경 측정 결과와 거의 일치했고, 오차는 대부분 0.13마이크로미터(μm, 1마이크로미터는 1000분의 1밀리미터) 이하로 나타났다. 특히 AI가 제시한 예측 불확실성 범위 안에 실제 실험 결과가 포함돼, 신뢰도 수치의 정확성도 확인됐다.
홍승범 교수는 “AI가 예측값뿐 아니라 그 결과를 얼마나 신뢰할 수 있는지까지 함께 제시한다는 점이 핵심”이라며 “차세대 배터리 소재를 보다 빠르고 효율적으로 설계하는 데 실질적인 도움이 될 것”이라고 말했다. 이번 연구는 국제 학술지 ‘어드밴스드 사이언스(Advanced Science)’에 2025년 10월 8일자로 게재됐다.
