Research

이차전지 소재 개발 (Developing Materials for Rechargeable Batteries)

최근 환경문제와 화석 연료 고갈로 지속가능한 친환경 에너지 자원에 대한 관심이 그 어느 때보다 높고 이를 저장할수 있는 이차전지에 대해 많은 연구가 진행되고 있다. 특히 리튬이온배터리는 높은 에너지 밀도로 휴대기기 뿐만 아니라 전기차, ESS용으로 그 수요가 폭증하고 있다. 리튬이온전지 수요가 대형화 됨에 따라 높은 에너지밀도 뿐만 아니라 안전성, 저렴한 가격, 지속가능성을 모두 갖춘 차세대 이차전지 개발이 필요하다. 이를 위해 우리 연구실에서는 차세대 이차전지의 핵심인 전극, 전해질, 고체전해질 개발을 진행하고 있다. 양자역학 기반의 제일원리계산과 데이터 기반의 머신러닝 기법으로 새로운 고성능 소재를 효율적으로 탐색하고 압축 선정된 소재를 실험을 통해 합성하고, 다양한 실험 분석으로 소재의 특성을 측정하고, 전지로서의 성능을 평가함으로 우수한 성능의 전지 소재를 개발하고 있다.

• 진행 중인 국책 과제, 산학과제 목록

1) 제일원리계산을 통한 이차전지 소재 특성 예측 및 반응 메커니즘 규명 (First principles study on the properties and reaction mechanisms of the materials for rechargeable batteries such as Li-ion, Na-ion, K-ion and solid state batteries)

제일원리계산은 양자역학을 기반으로 원자 단위에서 재료의 고유 특성을 정확하게 예측할 수 있는 신뢰성 높은 전산모사 기법으로 다양한 응용 분야에 적용되고 있다. 본 연구실에서는 제일원리계산을 통해 이차전지 전극, 액체/고체 전해질 소재 및 그 계면에서의 전기화학적, 열역학적 반응, 리튬 이온과 전자의 분포 및 움직임 계산을 통해 이차전지 작동 반응 매커니즘을 원자 단위에서 이해하는 연구를 하고 있다. 또한 EELS, XAS와 같은 분광학 데이터를 제일원리 기반으로 계산하여 고도 실험 결과의 분석으로 반응 기구를 이해하고자 한다.

2) 고속병렬 제일원리 계산과 머신러닝을 통한 신규 소재 탐색 및 합성 (High-throughput screening of the materials for the rechargeable batteries using first principles calculation and machine learning and synthesis of selected materials)

슈퍼컴퓨터를 이용하여 대량의 제일원리 계산을 병렬적으로 수행함으로 대량의 소재 후보군의 특성을 실험 없이 예측하여 원하는 특성을 가지는 실험 후보군을 선정함으로 시행착오와 소재 개발시간을 단축할 수 있다. 예로 전극 소재의 상안정성, 작동 전압 곡선, 충전/방전시 부피 변화 등, 고체 전해질의 상안정성, 이온 전도도, 전기화학적 안정성, 전자 전도도 등을 실험 없이 예측할 수 있다. 또한 계산과 실험 데이터베이스를 이용하여 머신러닝 모델을 학습시킴으로 초단위로 소재 성능을 예측할 수 있어 더 많은 조성, 결정 구조 후보군에 대해 탐색이 가능하다. 고속병렬 제일원리 계산과 머신러닝을 통해 선정된 후보군을 실험을 통해 합성하고 특성, 성능을 측정함으로 예측 성능을 검증하고 지속적인 피드백을 통해 예측 성능 향상 및 고성능 소재 개발을 목적으로 하고 있다.

3) 재료 개발 자율화 시스템 (Autonomous Materials Discovery using Artificial Intelligence (AI), Machine Learning (ML) and Robotics)

신규 소재 개발은 상용화까지 10-20년 걸리고 많은 인력, 자원이 필요하고 특히 산업 고도화로 인해 에디슨식 시행착오 방식 혹은 연구자의 통찰력과 경험 기반의 실험으로 고성능 소재 개발하는데는 한계가 있다. 신규 소재 개발을 가속화하기 위해서 효율적인 소재 성능 예측이 가능한 전산모사 기법과 더불어 재료 개발 자동화 시스템에 대한 많은 연구가 진행 중이다. 자동화를 위해 소재의 가상탐색(virtual screening) 부터 소재 합성, 분석 후 다음 합성 방향 제시까지 연구자의 개입을 최소화할 수 있어야 한다. 이를 위해 기존 합성, 분석 장비를 모듈화하고 로봇을 활용하여 전 공정을 자동화하여 자율 주행 실험실(self-driving laboratory) 구축하고자 한다. 이를 위해 장치적인 부분 뿐만 아니라 연구자 개입 없이 실험을 디자인하고 실험 결과를 분석하고 이를 바탕으로 다음 실험을 디자인할 수 있는 두뇌에 해당되는 인공지능 모델이 필요하다. 베이지안 최적화(Bayesian optimization), 합성곱 신경망(convolutional neural network) 등의 기법을 조합하여 재료 선정, 실험 계획, 실험 분석 등을 포함한 전 공정에 대한 의사결정이 가능한 인공지능 기반 중앙 처리 모델 (AI central processing model)을 개발하고 있다.