MLIP를 이용한 양극재 기반 코인셀 성능 예측

양극재 소재 구조·조성 정보를 이용해
MLIP로 코인셀의 용량·수명·출력을 예측할 수 있을까

결론부터 말하면 가능합니다. 다만 이 가능성에는 분명한 전제와 한계가 존재합니다. MLIP(Materials / Machine Learning Interatomic Potential)는 코인셀 성능을 직접 예측하는 도구라기보다는, 셀 성능을 결정하는 근본 물성을 정량화하는 강력한 수단에 가깝습니다.

1. MLIP는 무엇을 예측하는가

MLIP는 DFT 계산을 대체하거나 보완하기 위해 개발된 기술로, 원자 간 상호작용을 학습하여 대규모 구조에서도 에너지와 힘을 빠르고 정확하게 계산할 수 있습니다.

• 리튬 확산 경로와 활성화 에너지
• 전이금속 이동 장벽
• 산소 공공 형성 에너지
• 결정 구조 안정성 및 상변화 가능성

즉, MLIP는 셀 성능의 원인을 계산합니다. 셀 용량이나 수명 자체는 결과이기 때문에, 추가적인 모델링 단계가 필요합니다.

2. 구조·조성에서 셀 성능까지의 예측 흐름

조성 및 결정 구조 설계
→ MLIP 기반 원자 수준 물성 계산
→ 확산·안정성·결함 관련 핵심 지표 도출
→ 데이터 기반 머신러닝 모델
→ 코인셀 용량·수명·출력의 확률적 예측

3. 예측 가능한 성능 항목별 현실적 수준

① 초기 용량

양극재의 산화환원 가능성, 리튬 점유율, 구조 안정성과 강하게 연관되어 상대적으로 예측 정확도가 높습니다. 충분한 학습 데이터가 있다면 ±5~8% 수준의 오차까지 접근 가능합니다.

② 출력 특성 (Rate capability)

리튬 확산 계수와 활성화 에너지가 직접적으로 작용하므로 MLIP 기반 예측이 가장 강력한 영역입니다. 조성 간 비교 평가에서는 매우 높은 신뢰도를 보입니다.

③ 수명 특성

수명은 가장 어려운 항목입니다. 전해액 분해, 계면 반응, 미세 균열, 제조 편차 등 비구조적 요인이 크게 작용하기 때문입니다. 다만 조성 변경에 따른 열화 경향성 예측은 충분히 가능합니다.

4. MLIP를 사용하는 진짜 이유

MLIP의 가장 큰 가치는 실험 전에 실패 가능성이 높은 조성을 걸러내는 것입니다.

예를 들어 니켈 함량을 높이면 출력은 개선되지만, 전이금속 이동 장벽이 낮아져 구조 붕괴 가능성이 커질 수 있습니다. 이러한 트레이드오프를 실험 이전에 정량적으로 판단할 수 있습니다.

5. 실제 산업 적용 방식

현재 주요 배터리 제조사와 양극재 기업들은 MLIP를 단독 예측 도구가 아닌 조성 스크리닝과 설계 가속 엔진으로 활용하고 있습니다.

• 신규 조성 후보군의 빠른 탈락 판단
• ESS용 장수명 조성 설계
• 출력 중심 EV용 양극재 최적화

정리하면, MLIP만으로 코인셀 성능을 직접 예측하는 것은 어렵습니다. 그러나 MLIP와 데이터 기반 머신러닝을 결합하면 양극재의 구조와 조성 정보만으로도 용량·출력·수명의 신뢰 가능한 경향 예측은 충분히 가능합니다.