AI를 활용한 고체 전지 혁신 가속화

The fast-growing world of battery technology is expected to be worth over $100 billion in the coming years, thanks to the 전기차(EV)의 채택 증가, the installation of various batteries, and the powering of data centers.

다양한 배터리 유형 중에서 리튬이온 배터리가 가장 인기 있으며, 시장 점유율 44%를 차지합니다. 리튬이온 배터리는 오늘날 가장 많이 사용되는 충전식 배터리로, 모바일폰, 노트북 및 기타 소비자 전자기기뿐만 아니라 전기차와 에너지 저장 시스템에 전력을 공급합니다.

리튬이온 배터리는 가볍고 높은 전도성 및 높은 에너지 밀도 등 많은 장점을 제공하지만, 수명이 짧은 문제가 있습니다. 또한 휘발성 액체 전해질을 포함하고 있어 손상되거나 과열될 경우 화재 위험이 있어 안전성도 큰 도전 과제입니다.

이러한 이유로 고체 전해질을 사용해 누출이나 가스 발생을 방지하는 고체 전지(SSB)가 액체 전지(LSB)의 대안으로 부상했습니다.

높은 안전성 외에도 이러한 배터리는 소형화, 경량화, 빠른 충전, 뛰어난 포장 효율성, 넓은 온도 범위에서의 작동 및 긴 저장 수명 등의 장점을 제공합니다.

고체 전지는 새로운 발견은 아닙니다. 19세기에 처음 소개되었지만 오랜 기간 존재했음에도 널리 적용되지 못했습니다. 전기화 추세와 기존 리튬이온 배터리보다 더 안전하고 우수한 대안에 대한 필요성이 커지면서 상황이 변하고 있습니다.

재조명된 관심 속에서 연구자들은 재료, 구조, 인터페이스 설계에 초점을 맞추고 데이터 기반 AI 기법을 활용해 고체 전지를 최적화하고 있습니다.

고체 전지를 개선하기 위한 지속적인 연구

전 세계 연구자들이 미래 전력 공급을 위한 고체 전지 이해와 개선에 매진하고 있습니다. 최근 수행된 주요 연구는 다음과 같습니다:

SSB 해독

미주리 대학교 연구진은 고체 전지의 문제점을 깊이 파악하고 이를 극복할 방안을 모색해 SSB가 실현될 수 있도록 노력했습니다.

그들은 4D 스캔 전송 전자 현미경(STEM)을 사용해 배터리를 분해하지 않고 원자 구조를 분석했으며, 인터페이스 층이 문제의 원인임을 발견했습니다.

SSB에서는 고체 전해질이 양극에 접촉하면서 반응이 일어나 100nm 두께의 인터페이스 층이 형성됩니다. 이 층은 머리카락보다 1,000배 얇지만, 리튬 이온과 전자의 원활한 이동을 차단해 저항을 증가시키고 배터리 성능을 저하시킵니다.

이 발견을 바탕으로 Matthias Young 조교수는 산화 분자층 증착(oMLD) 공정으로 만든 얇은 박막이 보호 코팅을 형성해 고체 전해질과 양극 물질 간의 반응을 방지할 수 있는지 테스트할 계획입니다.

“코팅은 반응을 방지할 정도로 얇아야 하지만 리튬 이온 흐름을 차단할 만큼 두꺼워서는 안 됩니다.”라고 그는 말했습니다. “우리는 고체 전해질과 양극 물질의 고성능 특성을 유지하고자 합니다. 호환성을 위해 성능을 희생하지 않고 두 물질을 함께 사용할 목표입니다.”

SSLMB에서 고체 전해질로서 LLZO의 잠재력 탐구

동북대학교 연구진이 최근 수행한 연구에서는 고에너지 성능과 안전성 향상 가능성으로 주목받는 고체 리튬 금속 배터리(SSLMB)를 위한 가넷형 고체 전해질을 평가했습니다.

이 연구는 이러한 배터리에서 기대되는 에너지 밀도 이점이 실제보다 과대평가될 수 있음을 밝혔습니다.

연구에 따르면, 선도 고체 전해질 후보인 LLZO(리튬 란탄산 지르코늄 옥사이드)를 사용한 전고체 리튬 금속 배터리(ASSLMB)는 현재 리튬이온 배터리와 비교해 에너지 밀도가 약간만 증가하며, 높은 생산 비용과 제조상의 어려움을 동반합니다.

연구에 따르면, ASSLMB는 중량당 272 Wh/kg의 에너지 밀도를 달성하는 반면, 리튬이온 배터리는 250-270 Wh/kg 수준으로, 준고체 전해질이 보다 실현 가능한 대안이 됩니다.

“전고체 리튬 금속 배터리는 에너지 저장의 미래로 여겨졌지만, 우리의 연구는 LLZO 기반 설계가 기대되는 에너지 밀도 도약을 제공하지 않을 수 있음을 보여줍니다. 이상적인 조건에서도 향상 폭은 제한적이며, 비용 및 제조상의 어려움이 크게 존재합니다.”

– 선도 연구 저자 에릭 지안펑 청 (WPI-AIMR, 동북대학교)

이온 전도도와 안정성으로 높은 평가를 받지만, 실용적인 LLZO 기반 배터리의 포괄적 모델링은 에너지 밀도를 크게 향상시킨다는 생각에 의문을 제기했습니다. 초박형 LLZO 세라믹 분리막과 고용량 양극을 사용해도 배터리 성능은 기존 최고 수준의 리튬이온 셀보다 약간만 우수한 것으로 나타났습니다.

LLZO의 밀도가 핵심 문제로, 셀 무게를 증가시켜 기대되는 에너지 이점을 감소시킵니다. 또한 재료의 취성, 리튬 수지상 결정 문제, 결함 없는 얇은 시트 제조 어려움, 인터페이스의 공극 등은 대규모 적용을 복잡하게 만듭니다. 청에 따르면:

“LLZO는 안정성 측면에서 뛰어난 재료이지만, 기계적 한계와 무게 페널티가 상용화에 큰 장벽을 만들고 있습니다.”

여기서 재료를 겔 또는 폴리머 기반 전해질과 결합하면 장기적인 안정성이 향상되는 것으로 나타났습니다.

유망한 고체 전해질 발견

도쿄과학대학 연구진은 안전하고 고성능 SSLIB를 위한 새로운 물질을 발견했습니다.

“전고체 리튬이온 2차 배터리 제작은 많은 배터리 연구자들의 오랜 꿈이었습니다.”라고 켄지로 후지모토 교수는 말했으며, 이들은 ASSLIB의 핵심 구성 요소인 산화물 고체 전해질을 발견했다고 밝혔습니다.

이 물질(Li1.25La0.58Nb2O6F)은 높은 안정성을 가지고 있으며, 실온에서 총 이온 전도도 3.9 mS·cm⁻¹를 보여 이전에 보고된 산화물 고체 전해질보다 높고, 활성화 에너지도 매우 낮습니다.

게다가 손상되어도 발화하지 않아 안전이 중요한 응용 분야에 적합합니다. 고온에서도 사용 가능하고 빠른 재충전을 지원해 전기차와 같은 고용량 응용에도 적합합니다.

“이 물질의 적용은 낮은 온도부터 높은 온도까지 넓은 온도 범위에서 작동할 수 있는 혁신적인 배터리 개발에 유망합니다.”

– 후지모토 교수

한편, 지난해 말 오사카 메트로폴리탄 대학 연구진은 Na2.25TaCl4.75O1.25를 새로운 고체 전해질로 개발했습니다.

연구진은 이전에 NaTaCl6 고체 전해질을 개발했으며, 이는 염화나트륨과 탄탈럼 클로라이드의 조합입니다. 이번에는 탄탈럼 펜타옥사이드(Ta2O5)를 추가해 실온에서 높은 전도성을 달성했습니다.

또한 기존 염화물보다 높은 가공성 및 전기화학적 안정성을 보입니다.

“이 연구 결과는 지금까지 개발된 유리 및 결정 고체 전해질에 추가해 복합 고체 전해질 개발에 크게 기여할 것으로 기대됩니다.”

– 공학대학원 모토하시 코타 조교수

그들은 현재 복합 고체 전해질의 이온 전도 메커니즘을 규명하고 추가 물질을 개발하는 데 집중하고 있습니다.

구조 변경 및 구성 요소 제거

일리노이 대학교 어배너-샴페인 연구진은 나선 구조가 ‘무작위 코일’ 대비 고체 펩타이드 폴리머 전해질의 전도성을 크게 향상시키며, 나선이 길수록 전도성이 높아진다는 것을 발견했습니다. 또한 나선 구조는 재료의 전압 및 온도에 대한 전반적인 안정성을 높입니다.

“우리는 2차 구조인 나선을 활용해 고체 물질의 기본 전도성 특성을 설계하고 개선하는 개념을 도입했습니다.”

– 연구 책임자 크리스 에반스 교수

이는 생물학적 펩타이드에서 발견되는 동일한 나선 구조입니다. 펩타이드로 만들어졌기 때문에 배터리가 수명을 다하면 산이나 효소를 이용해 개별 단량체로 분해할 수 있어, 시작 물질을 회수·재사용할 수 있어 환경 친화적입니다.

또 다른 흥미로운 연구에서 연구진은 수백 사이클 동안 안정적인 구동이 가능한 최초의 무양극 나트륨 고체 전지를 만들었습니다. 저비용·고용량·빠른 충전 배터리는 경제 탈탄소화에 기여할 수 있습니다.

양극을 제거하기 위해 혁신적인 구조가 필요했으며, 팀은 알루미늄 분말을 사용해 고체이지만 액체처럼 흐를 수 있는 전류 수집자를 만들어 전해질을 둘러싸도록 설계했습니다.

“나트륨 고체 전지는 보통 먼 미래 기술로 여겨지지만, 이 논문이 나트륨 분야에 대한 연구를 촉진해 리튬 버전보다도 경우에 따라 더 나은 성능을 보여줄 수 있기를 바랍니다.”

– 제1저자 그레이슨 데이셔, UC 샌디에이고 박사과정 학생

AI를 활용해 최적 고체 전해질 후보를 빠르게 찾을 때

이처럼 고체 전지, 특히 전해질에 대한 광범위한 연구가 진행되는 가운데, 과학자들은 이제 인공지능을 활용하고 있습니다.

전해질은 배터리 구성 요소 중 가장 중요한 요소 중 하나로, 이온이라 불리는 전하 운반 입자를 배터리의 두 전극 사이에 이동시켜 충·방전을 가능하게 합니다.

따라서 고체 전해질(SSE) 성능 향상에 초점을 맞추고 있으며, 이는 이온 전도도, 안정성 및 사이클 수명을 개선하는 것을 의미합니다. 그러나 현재 재료의 한계로 이러한 개선이 어려웠습니다.

이러한 과제를 극복하려면 고성능 SSE 재료 개발이 필요하며, 이는 고체 전지의 잠재력을 완전히 발휘하게 할 것입니다.

금속 산화물과 황화물은 유망한 SSE로 가장 많이 연구된 재료이며, 여기서는 상온에서 높은 산화환원 및 기계적 안정성과 평균 이가 이온 전도성을 보이는 수소화물을 SSE로 탐구하는 것이 특히 유익합니다.

수소화물은 높은 이온 전도도와 낮은 활성화 에너지로 SSE 개발에 큰 가능성을 보여주었습니다. 금속 수소화물은 수소 원자의 가벼운 질량 덕분에 독특한 장점을 제공합니다.

하지만 수소의 가벼운 무게와 이가 수소화물의 복잡한 거동은 합성 및 구조 특성화에 어려움을 주어 현재 실험 기법의 한계를 드러냅니다.

여기서 문제는 실험적인 SSE 발견이 비효율적이고 시간 소모적인 시행착오 방식에 의존한다는 점입니다. 이를 해결하려면 이온 이동 메커니즘을 이해하고 새로운 고체 전해질을 발견하기 위해 계산 보조 연구가 필요합니다.

실제로 이론적 접근법은 재료 특성을 탐색하는 보다 체계적이고 빠른 방법을 제공하는 경향이 있습니다. 또한 대형 언어 모델(LLM)의 발전이 데이터 기반 방법론을 강화하고 이론적 예측을 개선하고 있습니다.

그럼에도 SSE 재료의 복잡성 때문에 이론적 방법의 높은 정확도를 달성하기는 어렵습니다. 현재 연구가 단일 재료나 방법에 집중하는 것도 SSE에 대한 포괄적 이해를 제한합니다.

그렇다면 이론적 통찰을 어떻게 활용해 보다 효율적인 실험을 설계할 수 있을까요? 또한 이론 모델링과 실험 검증을 원활히 결합하는 최적 워크플로는 무엇일까요? 답은 계산적 정보와 실험 정보를 결합하는 데 있습니다.

이가이온 SSE의 장벽을 극복하기 위해, 새로운 연구에서는 데이터 마이닝, AI 기반 분석, 머신러닝 회귀, 전역 구조 탐색, 일관성 메타다이내믹스(MetaD) 시뮬레이션, 이론-실험 벤치마킹을 결합한 통합 워크플로를 개발했습니다.

이 연구는 이가 SSE에 대한 이해를 향상하고 새로운 SSE 후보를 예측·설계하기 위한 견고한 프레임워크를 제공하는 것을 목표로 합니다. 이를 통해 최적화된 SSE 옵션의 발견을 가속화해 실용적인 에너지 저장 기술을 발전시킬 것입니다.

프린스턴의 혁신적인 고체 전지 기술에 대해 알아보려면 여기를 클릭하세요.

지속 가능한 에너지 솔루션을 위한 차세대 고체 전지 향해

보다 강력하고 지속 가능한 고체 전지를 성공적으로 구축하기 위해 동북대학교 연구진은 데이터 기반 AI 프레임워크¹를 구축했습니다.

전통적인 접근법이 각 재료를 시험하고 순차적으로 경로를 설정하는 것과 달리, 이 프레임워크는 이상적인 지속 가능한 에너지 솔루션을 만들 수 있는 ‘그 하나’가 될 잠재적 고체 전해질(SSE) 후보를 식별합니다.

개발된 모델은 최적 후보를 선택할 뿐만 아니라 반응이 어떻게 진행될지 예측합니다. 또한 특정 후보가 왜 좋은 선택인지 잠재적 메커니즘에 대한 통찰을 제공해 연구자들이 실험실에 들어가기 전에도 시작할 수 있도록 돕습니다.

“이 모델은 본질적으로 모든 시행착오 작업을 대신 수행합니다. 이전 연구들의 방대한 데이터베이스를 활용해 모든 잠재 옵션을 탐색하고 최적의 SSE 후보를 찾습니다.”

팀의 고급 AI 프레임워크는 방대한 데이터로 사전 학습된 머신러닝 모델인 대형 언어 모델(LLM)과 통합됩니다. LLM은 인간 언어를 처리·이해·생성하는 뛰어난 능력으로 알려져 있습니다.

다른 데이터 기반 기법을 결합함으로써 예측 모델은 계산 및 실험 데이터를 모두 활용합니다. 이를 통해 연구자들에게 가장 성공 가능성이 높은 견고한 옵션을 제공합니다.

고성능·지속 가능한 고체 전지 개발을 가속화하는 데 도움을 주는 것 외에도, 이 연구는 SSE의 복잡한 구조·성능 관계를 이해하려고 합니다. 이 관계는 이온 전도도, 안정성, 전극과의 호환성 등 요소를 포함하며, 보통 계산 모델링, 실험 분석 및 데이터 기반 접근법을 통해 조사됩니다.

팀이 구축한 모델은 활성화 에너지를 예측하고 안정적인 결정 구조를 규명하며 연구자들의 전체 워크플로를 향상시킵니다. 연구 결과는 MetaD가 복합 수소화물 SSE에 대한 실험 데이터와 상당히 일치하는 뛰어난 계산 방법임을 보여줍니다.

연구자들은 새로운 이온 전달 시스템도 확인했습니다. 중성 분자 통합에서 발생하는 두 SSE 모두에서 ‘두 단계’ 메커니즘이 발견되었습니다.

따라서 특성 분석과 다중 선형 회귀를 결합해 팀은 수소화물 SSE 성능을 빠르게 평가할 수 있는 정밀 예측 모델을 성공적으로 개발했습니다. 더 중요한 것은 이 프레임워크가 실험 입력에 의존하지 않고 후보 구조를 정확히 예측한다는 점입니다.

전반적으로 이 연구는 차세대 고체 전지의 효율적인 설계 및 최적화를 위한 뛰어난 통찰과 고급 방법론을 제공합니다.

하지만 이는 지속 가능한 에너지 솔루션 구축을 위한 초기 단계에 불과하며, 팀은 프레임워크를 다양한 전해질 계열에 확대 적용할 계획입니다. 또한 생성형 AI 도구가 이온 이동 경로와 반응 메커니즘을 조사하는 데 유용해 플랫폼의 예측 능력을 향상시킬 것으로 기대합니다.

고체 전지 시장에 투자하기

고체 전지 시장에서 투자 가능한 기업을 꼽는다면, 리튬 금속 기술에 중점을 둔 주요 기업인 QuantumScape가 선두에 있습니다. 이 회사의 독점 고체 세라믹 분리막은 에너지 밀도, 충전 속도 및 안전성을 향상시키고, 리튬 금속 음극 채택을 제한해 온 다공성 문제인 수지상 결정 형성을 방지하도록 설계되었습니다.

QuantumScape Corporation (QS )

전기차용 SSB 기술을 개발하고 OEM이 되기를 목표로 하는 QuantumScape Corporation은 이미 주요 자동차 제조업체인 폭스바겐 그룹 및 그 자회사 PowerCo와 파트너십을 체결했습니다.

상용화에 어려움을 겪고 있지만, QuantumScape는 여전히 업계의 큰 이름입니다. 지난해 다양한 SSB 제품 샘플 생산을 시작했으며, 올해는 생산량을 더욱 확대할 계획입니다.

시가총액 22억 달러인 QS 주가는 현재 $3.90에 거래되고 있으며, 연초 대비 25% 이상 하락했습니다. EPS(TTM)는 -0.91이며, P/E(TTM)는 -4.30입니다.

2025년 1분기에 회사는 580만 달러의 자본 지출, 1억 2,360만 달러의 GAAP 영업비용, 1억 1,440만 달러의 GAAP 순손실을 보고했습니다. 현금 유동성은 8억 6,030만 달러이며, 현금 흐름은 2028년 하반기까지 지속될 것으로 예상됩니다.

올해 회사는 코브라 분리막 공정을 기본 생산 라인에 도입하고, QSE-5 샘플의 품질 및 생산량을 향상시켜 실제 적용에서 뛰어난 성능을 입증하기 위해 QSE-5 셀을 출하할 계획입니다.

QuantumScape Corporation 최신 소식

결론

배터리가 전자기기, 전기차 및 에너지 시스템에 핵심적인 역할을 수행함에 따라 지속 가능한 미래를 만들기 위해 차세대 에너지 소재 개발이 필요합니다. 고체 전지는 유망한 해결책을 제공하지만, 개발 과정에서 상당한 기술적 과제에 직면해 있습니다. SSB 개발에 필요한 것은 고체 전해질(SSE) 성능을 향상시키는 것입니다.

따라서 새로운 데이터 기반 AI 모델 덕분에 SSE를 둘러싼 활발한 연구가 더욱 가속화될 것입니다. 방대한 데이터와 고급 시뮬레이션 기법으로 구동되는 이 프레임워크는 연구자들이 SSE를 전례 없는 속도와 정확도로 식별·최적화하도록 돕습니다. 재료 과학과 머신러닝의 결합은 고성능·지속 가능한 고체 전지 솔루션을 제공해 청정 에너지 미래를 구동하는 데 큰 잠재력을 보여줍니다.

상위 고체 전지 주식 목록을 보려면 여기를 클릭하세요.

참고 연구:

1. Wang, Q., Yang, F., Wang, Y., Zhang, D., Sato, R., Zhang, L., Cheng, E. J., Yan, Y., Chen, Y., Kisu, K., Orimo, S., & Li, H. (2025). 데이터 기반 프레임워크와 대형 언어 모델을 활용한 고체 전지에서 이가 수소화물 전해질의 복잡성 해석. Angewandte Chemie International Edition, 64(22), e202506573. https://doi.org/10.1002/anie.202506573