배터리 소재 개발 과정에서 반복 실험 부담을 줄일 수 있는 인공지능(AI) 기술이 국내 연구진에 의해 개발됐다. 실험 데이터가 일부 누락된 상황에서도 배터리 양극재의 입자 크기와 예측 신뢰도를 함께 제시하는 방식이다.

KAIST는 신소재공학과 홍승범 교수팀이 조은애 교수팀과 공동 연구를 통해, 불완전한 실험 데이터 환경에서도 배터리 양극재의 1차 입자 크기를 예측할 수 있는 머신러닝 기반 AI 프레임워크를 개발했다고 26일 밝혔다.

리튬이온 배터리의 핵심 소재인 양극재는 전기차 주행거리와 충전 속도, 수명, 안전성에 직접적인 영향을 미친다. 특히 니켈·코발트·망간을 혼합한 NCM 계열 양극재의 경우, 미세한 1차 입자 크기가 성능을 좌우하는 주요 요인으로 꼽힌다. 입자가 지나치게 크면 성능이 저하되고, 반대로 너무 작으면 구조적 안정성이 떨어질 수 있다.

기존에는 소결 온도와 시간, 재료 조성 등을 바꿔가며 반복 실험을 통해 입자 크기를 확인해야 했다. 그러나 실제 연구 현장에서는 모든 조건을 빠짐없이 측정하기 어려워 데이터 누락이 빈번했고, 공정 조건과 입자 특성 간 관계를 정밀하게 분석하는 데 한계가 있었다.

연구팀은 이 같은 문제를 해결하기 위해 화학적 특성을 고려해 누락 데이터를 보완하는 기술(MatImpute)과 예측 불확실성을 함께 계산하는 확률적 머신러닝 모델(NGBoost)을 결합한 AI 프레임워크를 설계했다. 이를 통해 단순한 수치 예측을 넘어 결과의 신뢰 범위까지 함께 제공하도록 했다.

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

연구진은 예측 신뢰성을 검증하기 위해 동일한 NCM811 조성 조건에서 기존 데이터에 포함되지 않은 공정 조건으로 시료 4종을 추가 제작해 실험을 진행했다. 그 결과 AI 예측값은 실제 현미경 측정 결과와 거의 일치했으며, 오차는 대부분 0.13마이크로미터(μm) 이하로 확인됐다. 실제 측정값은 AI가 제시한 예측 불확실성 범위 안에 포함됐다.

이번 연구는 모든 실험을 수행하지 않고도 성공 가능성이 높은 조건을 선별할 수 있는 기반을 마련했다는 점에서 의미가 있다. 연구팀은 전기차 배터리는 물론 전고체 배터리 등 차세대 에너지 소재 개발에도 활용 가능할 것으로 보고 있다.

홍승범 교수는 “예측값뿐 아니라 그 결과를 얼마나 신뢰할 수 있는지까지 함께 제시한다는 점이 핵심”이라며 “배터리 소재 설계와 공정 최적화를 보다 빠르고 효율적으로 수행하는 데 도움이 될 것”이라고 말했다.

이번 연구는 신소재공학과 벤 마디카 박사과정 연구원이 제1저자로 참여했으며, 국제 학술지 ‘어드밴스드 사이언스’에 2025년 10월 8일자로 게재됐다.