새로운 기계학습 방법_배터리 개발 시간 단축시키다.

[새로운 기계학습 방법]

스탠포드 주도의 한 연구팀은 인공지능을 사용하여 배터리 테스트 시간을 거의 15배 단축했는데 이는 전기 자동차용 배터리를 오래 지속하고 충전하는 데 있어 핵심적인것이다.

배터리 성능은 주행 범위에서 충전 시간, 자동차의 수명까지 전기 자동차의 성능이라고 할 수 있다. 

수십 년 동안, 전기 자동차 배터리의 발전은 평가 시간이라는 큰 병목 현상에 의해 제한되어 왔다. 배터리 개발 과정의 모든 단계에서 새로운 기술을 몇 달 또는 심지어 몇 년 동안 테스트하여 얼마나 오래 지속될지 결정해야 한다.

그러나 현재 스탠포드 교수 스테파노 에먼과 윌리엄 추가 이끄는 팀은 이러한 시험 시간을 98퍼센트 단축시키는 기계 학습 기반 방법을 개발했다. 비록 배터리 충전 속도에 대해서 방법을 시험했지만, 그들은 이 방법이 배터리 개발의 수많은 다른 부분들과 심지어 비에너지 기술에도 적용될 수 있다고 말했다.

"배터리 테스트에서, 여러분은 엄청난 수의 것들을 시도해야 합니다, 왜냐하면 여러분이 얻는 성능은 다양하기 때문입니다,"라고 컴퓨터 과학의 조교수인 Ermon은 말했다. "AI로 가장 유망한 접근법을 신속하게 파악해 불필요한 실험을 많이 차단할 수 있게 됐다."

네이처가 발표한 이 연구는 스탠포드, MIT, 도요타 연구소의 과학자들 사이의 보다 큰 협력의 일환으로서 기초적인 학문 연구와 실제 산업 응용을 연결하는 것이었다. 목표는 배터리의 전체 수명을 최대화하는 10분 이내에 EV 배터리를 충전할 수 있는 최선의 방법을 찾는 것이다. 연구자들은 단지 몇 개의 충전 사이클에 기초하여 배터리가 다른 충전 방식에 어떻게 반응할지를 예측하는 프로그램을 만들었다. 소프트웨어는 어떤 것에 집중하고 무시할지 실시간으로 결정했다. 실험의 주기와 횟수를 모두 줄임으로써, 연구원들은 시험 과정을 거의 2년에서 16일로 단축시켰다.

대학원생 시절 이 연구를 공동 주도한 피터 아티아는 "극단적인 급속 충전을 위한 테스트 과정을 크게 가속화하는 방법을 알아냈다"고 말했다. "우리는 현재 배터리 개발을 몇 달 또는 몇 년 동안 지연시키고 있는 많은 다른 문제들에 이 접근법을 적용할 수 있다."

배터리를 테스트하기 위한 적절한 접근 방식
초고속 충전을 위한 배터리 설계는 주요 과제인데, 그 주된 이유는 그것을 지속시키기 어렵기 때문이다. 급속충전 강도는 배터리에 더 큰 부담을 주는데, 이는 종종 일찍 고장나는 원인이 된다. 전기 자동차 총 비용의 큰 부분을 차지하는 구성품인 배터리 팩의 손상을 방지하기 위해 배터리 엔지니어들은 가장 잘 작동하는 충전 방법을 찾기 위해 철저한 일련의 충전 방법을 테스트해야 한다.

새로운 연구는 이 과정을 최적화하기 위해 노력했다. 처음에 연구팀은 급속충전 최적화에 많은 시행착오 테스트를 겪었다.
"기계 학습은 시행착오가 있지만 더 현명한 방법"이라고 이 연구를 공동 이끈 컴퓨터 과학 대학원생 아 디트타 그로버가 말했다. "컴퓨터는 언제 새로운 그리고 다른 접근법을 시도해야 하는지에 있어서 우리보다 훨씬 낫다."

그 팀은 이런 기계학습을 두 가지 중요한 방법으로 유리하게 사용했다.

첫째, 그들은 사이클링 실험당 시간을 줄이기 위해 그것을 사용했다. 이전의 연구에서 연구원들은 모든 배터리를 고장 날 때까지 충전하고 재충전하는 대신에 그들은 배터리가 처음 100회 충전 주기 후에 얼마나 오래 지속될지 예측할 수 있다는 것을 발견했다. 이는 기계 학습 시스템이 고장 난 몇 개의 배터리에서 배터리가 얼마나 오래 지속될지를 미리 예측한 초기 데이터에서 패턴을 발견할 수 있었다.

둘째, 기계 학습은 그들이 시험해야 하는 방법의 수를 줄였다. 컴퓨터는 가능한 모든 충전 방법을 균등하게, 혹은 직관에 의존하는 대신에, 그것의 경험으로부터 빠르게 테스트할 최상의 프로토콜을 찾는 것을 배웠다.

더 적은 주기로 더 적은 방법을 테스트함으로써, 이 연구의 저자들은 그들의 배터리를 위한 최적의 초고속 충전 프로토콜을 빠르게 찾아냈다..

광범위한 응용
연구원들은 그들의 접근방식이 배터리의 화학 설계에서부터 배터리의 크기와 모양을 결정하는 것, 제조와 저장을 위한 더 나은 시스템을 찾는 것 등 배터리 개발의 거의 모든 부분을 가속화할 수 있다고 말했다. 이는 전기 자동차뿐만 아니라 다른 유형의 에너지 저장장치에도 광범위하게 영향을 미칠 수 있는데, 이는 전지구적 규모로 풍력 및 태양열 발전으로의 전환을 위한 핵심 요건이다.

이 연구의 공동저자이자 도요타 연구소의 과학자 패트릭 헤링은 "이것은 배터리 개발을 위한 새로운 방법"이라고 말했다. "학계나 업계에서 다수의 사람들과 공유할 수 있고, 자동으로 분석되는 데이터를 보유하게 되면 훨씬 더 빠른 혁신이 가능해진다."

이 연구의 기계 학습과 데이터 수집 시스템은 미래의 배터리 과학자들이 자유롭게 사용할 수 있도록 만들어질 것이라고 Herring은 덧붙였다. 이 시스템을 사용하여 기계 학습과 함께 프로세스의 다른 부분을 최적화함으로써 배터리 개발에 더 새롭고 더 나은 기술을 가속화될 수 있다고 그는 말했다.