AI는 전기 자동차를 더 안전하고 효율적으로 만드는 데 어떤 도움이 될까?

국제 에너지 기구(IEA)가 최근 실시한 설문조사에 따르면 작년 전 세계적으로 매주 250,000대 이상의 전기 자동차(EV)가 판매되었습니다. 또한, 설문조사에 따르면 소비자 채택이 전환점에 도달했고, 업계 경영진은 전기차 가격이 저렴해지면서 2030년까지 전기차가 자동차 판매량의 40%를 차지할 것으로 예상하고 있습니다.

배터리는 전기차 가격에 가장 큰 영향을 미치는 요소이자 안전과 성능에 대한 우려가 가장 많이 제기되는 부분입니다.

하지만 애리조나대학교의 새로운 연구에서는 머신 러닝이 전기차 배터리 폭발을 방지하는 데 도움이 될 수 있다는 가능성을 발견했습니다. 또한, 자동차 제조업체는 고급 알고리즘을 사용하여 최고의 성능과 지속 가능한 자동차를 제조하는 데 필요한 특정 화학 물질과 크기, 모양을 결정할 수 있습니다.

IBM 파트너인 Mercedes-Benz의 혁신 책임자 Benjamin Boeser는 “이러한 가설적인 배터리를 개발하고 완성할 경우 수십억 달러 규모의 기회가 열릴 것”이라고 말합니다.

IBM 기업가치연구소(IBV)의 최근 현장 설문조사에 따르면 아직 초기 단계기는 하지만 AI가 EV의 체감 가치를 20% 이상 높일 것으로 예상되고 있습니다.

리튬 이온 배터리는 뛰어난 에너지 밀도, 긴 수명, 가벼운 디자인 덕분에 수년 동안 전 세계 전기차 배터리 시장의 왕좌를 지켜왔습니다.

리튬 이온 배터리는 특히 '열 폭주'의 위험과 관련된 안전 문제가 지속되고 있습니다. 열 폭주는 배터리 온도가 예기치 않게 급상승해 배터리가 고장 나거나, 화재가 발생하거나, 폭발할 위험이 있을 때 발생합니다.

열 폭주는 과충전, 과방전, 고온 노출, 제조 결함, 내부 단락 등 다양한 요인으로 인해 발생할 수 있습니다.

열 폭주를 해결하기 위해 애리조나대학교의 한 팀은 리튬 이온 배터리의 온도 급증을 예측하고 방지하는 머신러닝 모델을 개발했습니다.

전기 자동차에는 일반적으로 수백 개의 밀접하게 연결된 셀이 모듈로 포장된 배터리 팩이 사용됩니다. 한 셀에서 열 폭주가 발생하면 주변 셀도 가열될 가능성이 큽니다.

이 프로젝트의 핵심 연구원인 Basab Ranjan Das Goswami는 "배터리의 온도가 기하급수적으로 가속되면서 연쇄 반응이 발생한다"며 "그러면 전기 자동차의 배터리 팩 전체가 폭발할 수 있다"고 말합니다.

팀은 시간과 위치를 고려하는 예측 프레임워크에서 영감을 받아 열 폭주가 시작될 가능성이 높은 시기와 위치를 예측하는 알고리즘을 개발했습니다. 배터리 셀을 감싸는 열 센서를 사용해 과거의 온도 데이터를 머신 러닝 알고리즘에 입력해 미래 온도를 예측했습니다.

Goswami는 "핫스팟의 위치나 열 폭주의 시작을 알면 배터리가 위험 단계에 도달하기 전에 배터리를 중지하는 솔루션을 계획할 수 있다"라고 말합니다.

향후 잠재적인 솔루션에는 미래의 핫스팟을 감지하고 안전 스위치를 활성화해 메인 팩의 전기 연결을 차단하는 조기 경보 시스템이 포함될 수 있습니다.

배터리를 더 안전하게 만드는 것 외에도, 고급 알고리즘을 사용하면 배터리의 성능과 지속 가능성도 향상시킬 수 있습니다.

IBM 기업가치연구소(IBV)의 기술 사고 리더 Noriko Suzuki는 "미래에는 에너지 소비가 적은 AI 칩이 대형 배터리의 필요성을 줄이는 데 도움이 될 것이다. EV 배터리는 비용이 많이 들고 매우 무거워 도로 인프라에 더 많은 스트레스를 준다"고 말합니다.

미국 캘리포니아주 알마덴에 있는 IBM 연구소는 AI와 머신 러닝을 활용해 전기 자동차를 위한 더욱 강력하고, 지속 가능하며, 에너지 효율적인 배터리를 개발하는 연구 프로젝트를 진행하고 있습니다.

팀은 AI와 머신러닝 워크플로를 사용해 배터리의 안전성, 안정성, 효율성에 영향을 미치는 핵심 부품인 전해질 물질을 발견하고 최적화하는 속도를 높이고 있습니다. 이 워크플로는 고성능 배터리를 위한 새로운 전해질 배합을 발견하기 위해 자동화된 시뮬레이션 워크플로와 광범위한 도메인별 지식, 데이터 세트를 특수 목적의 AI 모델과 통합합니다.

IBM 알마덴 연구소의 연구원 Murtaza Zoair는 "AI는 복잡한 배터리 재료와 공정의 발견을 가속화해 더 빠른 충전, 더 높은 에너지 밀도, 향상된 지속 가능성을 가능하게 할 잠재력을 가지고 있다"고 말합니다.

9,000만 개 이상의 분자에 대해 사전 학습된 대규모 화학 모델인 멀티모달 AI 파운데이션 모델은 레이블이 지정된 배터리 데이터 세트로 미세 조정해 전해질 배합과 같은 복잡한 재료의 특성을 예측하고 배터리 성능을 최적화할 수 있습니다. 딥 서치 알고리즘을 사용하면 방대한 양의 기존 과학 문헌에서 빠르게 지식을 추출할 수 있습니다. 시뮬레이션 툴킷은 실행할 시뮬레이션의 종류를 효율적으로 결정해 재료와 그 기능을 더 잘 이해할 수 있도록 도와줍니다. 마지막으로, 생성형 모델은 새로운 재료를 신속하게 제안해 줍니다.

일부 연구자들이 배터리 내부적인 화학에 집중할 때, 다른 연구자들은 AI를 사용해 전기차 배터리에서 소비되는 에너지를 줄일 수 있는 외부적인 요인을 연구하고 있습니다.

이집트 기자에 있는 아랍 과학 아카데미 연구진은 최근 가장 짧고 빠르며 에너지 효율적인 이동 경로를 선택하는 전기차의 GPS 시스템을 위한 새로운 알고리즘을 개발했습니다.

연구진은 이 알고리즘을 사용해 다양한 도로 지형에서 전기 자동차의 에너지 소비를 조사하고 다양한 차량 모델, 풍속, 방향이 에너지 소비에 미치는 영향을 평가했습니다.

연구진은 풍속과 방향에 따라 약 50km의 짧은 주행에서 배터리 용량의 약 49%를 절약할 수 있다는 사실을 발견했습니다. 또한, 연구진은 도로 지형이 범위 예측과 에너지 소비에 큰 영향을 미친다는 사실도 발견했습니다. 예를 들어, 경사가 적은 도로를 선택하면 약 46%의 에너지가 절약됩니다.

EV를 위한 최적의 경로를 선택할 때 이러한 모든 요소를 고려하면 비용을 절감하고 배터리 수명을 늘릴 수 있습니다.

전체 EV 배터리 충전 인프라를 최적화하는 것도 광범위한 EV 채택을 위한 기반을 마련하는 데 중요합니다. 예를 들어, 알고리즘이 배터리 상황과 상태를 모니터링하고 최적의 충전 지점과 시기를 제안해 주행 거리와 배터리 수명을 극대화하는 '스마트 충전'에는 AI가 필수적인 요소가 될 것입니다. AI는 차량과 충전 네트워크의 보안 모니터링과 사고 대응에도 도움이 될 수 있습니다.

머신 알고리즘과 딥 러닝 알고리즘은 이미 센서, 카메라와 결합되어 차량의 안전과 효율성을 향상하고 싶어 하는 운전자에게 차량 내 지원을 제공하고 있습니다. 예를 들어,Volkswagen은 생성형 AI를 많은 차량에 통합해 운전자가 가장 가까운 EV 충전소로 차량 경로를 변경하도록 요청할 수 있도록 했습니다.

장기적으로 AI는 운전자 지원 시스템과 자율 주행을 통합하고 예측 유지 보수를 가능하게 하며 스마트 그리드와의 통합을 지원함으로써 EV 시장과 운송을 보다 광범위하게 변화시킬 것으로 기대되고 있습니다. 궁극적으로 전기 자동차 혁신의 앞길은 무한하며, AI는 그 여정을 더욱 원활하게 만드는 데 도움을 줄 것입니다.