블룸버그 뉴 에너지 파이낸스(Bloomberg New Energy Finance)의 전기 자동차 전망 2018에 따르면 2030년까지 전 세계적으로 전기 자동차(EV)의 총 판매량이 3천만 대를 넘어설 것으로 예상되며 비용 매개변수는 마침내 내연 기관과 일치하게 될 것입니다. EV는 자동차 산업의 큰 변화를 나타내며 비즈니스와 환경에 대한 잠재적인 영향은 강력합니다. 오늘날 전기 자동차의 채택과 수명에 대한 논쟁이 만연하고 있으며 전기 자동차 배터리의 잠재적인 성능만큼 중요한 것은 아닙니다. 과학자들에게는 배터리 안전성, 에너지 밀도, 충전 기능 및 차량 내 성능을 포함하여 많은 과제가 여전히 남아 있습니다.
이 기능에서 StoreDot의 CEO인 Dr. Doron Myersdorf는 AI가 이러한 문제를 해결하는 열쇠를 쥐고 있는 방법과 에너지 저장 및 EV의 미래에 대한 이러한 접근 방식의 잠재력을 탐구합니다.
글로벌 배터리 시장의 판도는 엄청나게 높습니다. 유럽연합 집행위원회(European Commission Roberto Viola)의 DG Connect 사무총장에 따르면 2025년부터 연간 2,500억 파운드 이상의 가치가 있을 것으로 추정되며 EU에서만 400만 개의 일자리가 창출될 수 있습니다. 이미 대부분의 소비재에 필수적인 이 배터리는 성능에 따라 광범위하게 채택되어 EV에 더욱 중요해질 것입니다.
“현재 어떤 자동차 또는 배터리 제조업체도 기존 화석 연료 기반 차량의 탱크를 채우는 데 걸리는 만큼 빠르게 충전되는 EV 배터리를 제공한다고 주장할 수 없으며 동일한 범위를 제공할 수도 없습니다. 예를 들어, Volkswagen e-Up은 완전 충전 시 99마일을 제공하고 Tesla Model S 100D는 완전 충전 시 335마일의 범위를 제공합니다. 그러나 이러한 차량 중 어느 것도 몇 분 안에 완전히 충전될 수 없습니다. 오늘날 Tesla 수퍼차저 스테이션은 완전히 충전되는 데 75분이 소요되는 반면 싱가포르에서 가장 큰 EV 네트워크인 SP Group은 30분이면 충분합니다.
“이러한 문제 중 일부를 해결할 수 있는 리튬 이온 배터리의 잠재력은 엄청납니다. 그러나 리튬 이온 배터리에는 더 높은 에너지 밀도의 필요성에서 탁월한 속도 성능 및 향상된 안전 요구 사항에 이르기까지 급속 충전을 방해하는 여러 가지 문제가 있습니다. 배터리 화학의 문제를 극복하는 것은 실험의 반복적인 설계와 체계적인 시행착오를 기반으로 하는 느린 연구 과정입니다. 실제로 많은 새로운 발전이 시장에 출시되기 전에 실패합니다.
“우리와 같은 R&D 시설에서 사이클러는 매초 배터리 셀에서 정보를 수집합니다. 이 정보에는 셀 온도, 실시간 저항, 작동 전압 창, 충전 및 방전 전류, 팽창 수준과 같은 중요한 성능 매개변수가 포함됩니다. 정보는 실험당 수집된 테라바이트의 데이터와 함께 수천 개의 배터리에서 동시에 수집됩니다. 결과적으로 이러한 재료에 대한 조합의 수는 무한하며 각 조합을 테스트하는 데 필요한 실험의 수도 동일합니다. 기존의 통계적 또는 수동적 방법으로는 해결하기가 매우 어렵습니다.
“그러나 배터리 개발에 데이터 과학을 적용하는 전체적인 접근 방식은 이러한 복잡한 모델을 해결하는 열쇠를 보유할 수 있습니다. 오늘날 인공지능(AI)은 화두입니다. 간단히 말해서 AI 또는 기계 학습은 인간의 두뇌보다 훨씬 빠른 속도로 정보를 평가하고 수학적 모델을 구성할 수 있습니다. AI는 시스템이 명시적으로 프로그래밍하지 않고도 경험을 통해 자동으로 학습하고 개선할 수 있음을 의미합니다.
“여러 산업에 걸친 AI의 현재 및 잠재적 영향은 엄청납니다. 제조 분야에서 세계 최대 기업 중 일부는 이미 AI를 사용하여 인상적인 결과를 얻고 있습니다. 예를 들어 Royal Dutch Shell의 스마트 제조 시스템은 AI를 사용하여 석유 수요를 예측하고 공급 부족을 측정하며 정확한 정제 프로세스를 위해 올바른 혼합/혼합물을 분석합니다. BASF와 SAP는 결제 처리의 94%를 AI로 자동화했다고 주장했습니다. AI의 응용 가능성은 광범위합니다. –
재료 설계 및 합성에서 실험 설계, 결함 분석 및 낭비 최소화까지. AI를 사용하면 의미 있는 돌파구를 갖춘 더 스마트한 과학이 가능합니다.
“이것이 배터리 개발에 미치는 영향은 과소평가되어서는 안 됩니다. 이 기술은 수백만 개의 기록을 검색하여 측정된 데이터와 배터리 매개변수 간의 관계를 설명할 수 있습니다. 그런 다음 제조업체는 이를 사용하여 주어진 시간에 수백만 개의 전해질, 양극 및 음극 조합을 테스트할 수 있습니다.
“과학자들은 개발 중인 배터리를 평가할 수 있을 뿐만 아니라 기존 배터리에서 학습하여 성능 동작 프로필을 더 잘 이해하고 최적의 솔루션을 추천할 수 있습니다. 무한한 조합을 신속하게 테스트할 수 있는 능력은 배터리 셀을 만드는 데 사용되는 재료의 궁극적인 공식에 훨씬 더 빨리 도달한다는 것을 의미합니다. 이는 필요한 실험 횟수를 크게 줄여 개발 시간을 획기적으로 단축하고 개발 비용을 크게 절감합니다. 예를 들어 특정 배터리 구성을 연구하는 50명의 연구원으로 구성된 팀은 머신 러닝 기능을 배포하여 매월 최대 100만 달러의 R&D 비용을 절약할 수 있습니다."
“StoreDot에서 이 기술에 대한 초기 진출은 놀라운 결과를 가져왔습니다. 예를 들어, 1세대 초고속 충전 FlashBattery 기술의 경우 기계 학습을 통해 우리 팀은 구성의 몇 가지 간단한 변경으로 개발 중인 배터리의 주기 수를 300회에서 600회 이상으로 두 배로 늘릴 수 있음을 발견했습니다. StoreDot이 기계 학습 역량을 구축하기 위해 전체 R&D 그룹을 개발하고 헌신하도록 영감을 준 것은 바로 이 발견이었습니다. 이 극적인 결과는 이제 차세대 전기차용 배터리에 적용되고 있습니다. 초고속 충전은 매우 복잡한 문제를 나타냅니다. 기존 배터리 방법에서는 일반적으로 하나의 구성 요소만 변경했지만 여기에서는 원하는 혁신에 도달하기 위해 훨씬 더 많이 변경해야 할 수 있습니다. AI로 구동되는 혁신적인 데이터 과학과 전기화학, 전지 구조, 양극, 음극 및 전해질에 대한 전문 지식을 결합하면 훨씬 더 복잡한 결론에 도달할 수 있습니다.
“분명히 R&D 과정에서 머신 러닝의 이점은 매우 중요합니다. 그러나 이것이 AI를 구현하여 EV를 발전시킬 수 있는 유일한 방법은 아닙니다. 기계 학습의 매우 다르고 흥미로운 적용은 EV 운영 소프트웨어 내에서 이를 구현하고, 배터리의 성능과 상태를 지속적으로 모니터링하고, 실시간 데이터를 측정하고, 학습하고, 제품 성능을 개선하기 위해 다시 순환시키는 것입니다. 또한 감지 기능과 자가 치유 기능이 내장된 더 스마트한 배터리를 만들어 배터리 관리 시스템이 배터리의 '건강 상태'를 인식하고 필요할 때 배터리 셀이나 모듈을 재생시킬 수도 있습니다.
“궁극적으로 혁신가가 한 번에 둘 이상의 구성 요소를 변경하고 증거를 더 빠르게 분석할 수 있게 함으로써 기존 통계 분석으로는 달성할 수 없는 결론에 도달할 수 있습니다. 이 증거를 통해 개발 주기를 단축하고 다른 방법으로는 해결할 수 없는 문제를 극복할 수 있습니다. 전기차 도입에 있어 이 능력은 가장 큰 소비자 장벽 중 하나인 '주행거리 불안'을 해결하는 데 무엇보다 중요하다. 머신 러닝 기술을 사용하여 배터리 충전 시간을 단축함으로써 말 그대로 전체 EV 산업을 점검할 수 있습니다.”
