물리 기반 데이터 구동 CO₂ 가스 확산 전극 모델로 자동 실험실을 가속화

초록

본 논문은 가스 확산 전극(GDE)의 설계와 운전 조건을 효율적으로 탐색하기 위해, 물리적 연속 모델을 기반으로 한 불확실성 인식 하이브리드 모델을 제안한다. 실험 데이터와 결합된 Gaussian Process(GP) 레이어를 통해 모델 편차를 보정하고 예측 불확실성을 제공함으로써, 자동화된 실험 플랫폼인 AdaCarbon에서의 베이지안 최적화와 시뮬레이션 기반 활성 학습에 적용한다.

상세 분석

이 연구는 CO₂ 전기환원 반응을 수행하는 가스 확산 전극(GDE)의 다차원 설계 공간을 탐색하기 위한 물리‑데이터 융합 프레임워크를 제시한다. 핵심은 Blake et al. (2021)의 1‑차원 연속 모델을 PyTorch 기반으로 미분 가능하게 구현하고, 이를 다중 생성물(CO, C₂H₄ 등)의 Tafel kinetics 로 확장한 점이다. 모델은 전극 두께, 입자 반경, 다공성, 확산계수 등 실험적으로 직접 측정하기 어려운 잠재 변수들을 MLP(5‑64‑64‑64‑6) 로 추정한다. 추정된 잠재 변수와 전극 전위·전류를 입력으로, 전해질 내 CO₂ 농도 프로파일, 전류 밀도, 각 생성물의 Faradaic 효율(FE)을 연속 방정식과 Tafel 식을 통해 계산한다.

예측의 불확실성을 다루기 위해 두 가지 전략을 비교한다. 첫 번째는 데이터 bagging을 통한 50개의 독립 모델 앙상블(Ph ensemble)이며, 두 번째는 물리 모델을 평균 함수(mean function)로 사용하고 그 위에 GP 커널(RBF 등)을 얹은 GP+Ph이다. 앙상블은 예측 분산을 직접 불확실성으로 활용하고, GP+Ph는 물리 모델의 편차를 GP가 학습하도록 함으로써 보다 체계적인 베이지안 최적화를 가능하게 한다. 실험 결과, GP+Ph가 NLL(음의 로그 가능도)과 MAE(평균 절대 오차) 모두에서 가장 우수했으며, 5‑fold 교차 검증에서 예측값과 불확실성 구간이 실제값을 잘 포괄함을 확인했다.

또한, 모델이 추정한 입자 반경(r)과 다공성(ε)이 문헌값(40‑65 nm, 0.5‑0.8)과 일치함을 보여 물리적 해석 가능성을 입증한다. 전극 반응 상수(i*와 α) 역시 Cu‑Ag 혼합 전극에 대한 기존 보고값 범위 내에 위치한다. 가상의 Ag‑Cu 비율 스윕 실험을 통해, Cu‑rich 전극에서는 θ_C₂H₄ > θ_CO 로 에틸렌 선택성이 높아지고, Ag‑rich 전극에서는 반대로 CO 선택성이 우세함을 내부 표면 커버리지 파라미터가 설명한다.

활성 학습 시뮬레이션에서는 전체 90개의 GDE 데이터를 훈련 풀과 후보 풀로 나누어, 기대 향상(Expected Improvement) 획득 함수를 사용해 순차적으로 실험을 선택한다. GP+Ph와 Ph ensemble는 순수 GP 대비 약 3배, MLP 앙상블은 약 2배의 효율 향상을 보였으며, 특히 물리 기반 모델이 포함된 경우 탐색 속도가 크게 가속화되었다.

한계점으로는 현재 실험이 풀‑베이스(active learning) 시뮬레이션에 국한되고, 연속적인 설계 공간에서의 실시간 최적화 성능은 추가 검증이 필요하다. 또한, 물리 모델이 1‑차원 연속 가정에 기반하므로 전극 구조가 복잡해질 경우 모델 확장이 요구된다. 그럼에도 불구하고, 물리‑데이터 융합 접근법이 실험 설계 자동화에 제공하는 해석 가능성 및 불확실성 정량화는 순수 블랙박스 ML보다 큰 장점을 가진다.