홍승범 KAIST 교수팀, 영상화·머신러닝 등 활용

홍승범 교수팀이 KAIST 10대 플래그쉽 분야이자 글로벌 특이점 과제인 'KAIST 신소재 혁명: M3I3 이니셔티브' 과제의 배경, 역사, 진행상황, 미래 방향을 제시했다. 사진은 이번 과제의 핵심 참여 교수진. (왼쪽부터) KAIST 조은애, 변혜령, 홍승범, 육종민 교수. [사진=KAIST 제공]
홍승범 교수팀이 KAIST 10대 플래그쉽 분야이자 글로벌 특이점 과제인 'KAIST 신소재 혁명: M3I3 이니셔티브' 과제의 배경, 역사, 진행상황, 미래 방향을 제시했다. 사진은 이번 과제의 핵심 참여 교수진. (왼쪽부터) KAIST 조은애, 변혜령, 홍승범, 육종민 교수. [사진=KAIST 제공]
우연과 시행착오를 통해 발견되던 신소재가 앞으로는 다양한 신기술을 접목한 역설계 기법으로 빠르게 개발, 공정 레시피까지 확보할 수 있게 될 전망이다. 신기술에는 다중 스케일·다중 모드 영상화 기술, 데이터 마이닝, 머신러닝, 다중 스케일 제조 기술 등을 접목됐다. 

홍승범 KAIST 신소재공학과 교수팀은 다중스케일 다중모드 영상화 기술과 머신러닝(기계학습) 기법을 융합해 고차원의 구조-물성, 공정-구조 상관관계를 도출했다. 또 이를 AI와 3차원 다중 스케일 프린팅 기술을 활용해 신소재 디자인부터 시장 진입까지 획기적으로 단축한 'M3I3 플랫폼'을 제안했다.

이 논문은 홍승범 교수가 제1저자로, 리오치하오 박사가 제2저자로 참여하고, 육종민 교수, 변혜령 교수, 양용수 교수, 조은애 교수, 최벽파 교수, 이혁모 교수가 공동 저자로 참여했다.

홍 교수는 M3I3 플랫폼을 통해 고용량 배터리 소재의 개발 기간을 단축할 수 있다는 것도 검증해냈다. 20년간 논문 자료에서 양극재 에너지 밀도와 소재 조성간의 상관관계를 도출한 뒤, 여러 변수들을 머신러닝으로 활용해 모델을 수립했다. 이후 무작위 조건에서 합성해 모델의 정확도를 측정해 데이터 마이닝과 머신러닝의 우수성을 입증했다.

분광 장비에서 얻은 영상과 스펙트럼 데이터로 다중 스케일 구조와 물성 간의 상관관계를 도출하는 것과, 공정 변수 데이터를 수집해 공정과 구조의 상관관계를 수립하는 것 또한 M3I3 플랫폼의 주요한 핵심이다. 

특히 실험데이터와 시뮬레이션 데이터를 융합하고, 머신러닝으로 생성한 가상의 데이터를 과학적인 기준에 맞춰 유의미한 빅데이터로 만들면, 머신러닝을 활용해 물성, 구조, 공정으로 연결되는 역설계 알고리즘을 개발하는 것이 가능하다. 즉, 원하는 물성을 가진 신소재 공정을 빠르게 만들 수 있게 된다. 

홍 교수는 "신소재 영상화 기술과 머신러닝 기술을 융합하고 3D 프린팅 기술을 다중 스케일 자동 합성 기술로 승화시키게 되면 20년 걸리던 신소재 개발 기간을 5년 이내로 단축할 수 있을 것이다"고 말했다.

이번 M3I3 플랫폼 연구는 KAIST 10대 플래그쉽 분야로 꼽혔으며, 글로벌 특이점 사업의 지원을 받아 수행됐다. 

 배터리 NCM 양극 소재의 삼각 그래프. [사진=KAIST 제공]
 배터리 NCM 양극 소재의 삼각 그래프. [사진=KAIST 제공]
저작권자 © 헬로디디 무단전재 및 재배포 금지