AI와 머신러닝 포스 필드로 발굴한 차세대 배터리 양극재

초록

본 연구는 Energy‑GNoME 데이터베이스에 수록된 20 000여 개의 후보 물질을 MACE 기반 머신러닝 포스 필드와 DFT + U를 결합한 다중‑신뢰도 스크리닝 파이프라인으로 빠르게 평가한다. 신뢰도 > 90 %·동적 안정성·전압·특정 에너지·공간군·위험·희소 원소 기준을 차례로 적용해 후보 수를 4 order 규모로 축소하고, 최종적으로 몇십 개의 Na‑, K‑, Mg‑, Ca‑이온 양극재를 제시한다. 검증 단계에서는 LiCoO₂, LiFePO₄ 등 6개 실험 확인된 양극재에 대해 MACE‑r2SCAN이 실험값과 DFT보다 일관된 전압·특정 에너지 예측을 보이며, 특히 자성 효과가 중요한 MgV₂O₄와 KVPO₄F에서 우수함을 확인했다.

상세 분석

이 논문은 차세대 배터리 양극재 탐색에 있어 기존 DFT 기반 고전산 계산의 병목을 머신러닝 포스 필드(MLFF), 특히 MACE(Machine‑learning Atomic Cluster Expansion) 모델로 대체하는 전략을 체계적으로 제시한다. 먼저 Energy‑GNoME 데이터베이스에서 “AI‑expert” 신뢰도 점수가 90 % 이상인 615개의 후보를 추출하고, MACE‑OMAT와 MACE‑r2SCAN 두 가지 사전학습 모델을 이용해 구조 최적화와 포스 계산을 수행한다. 포스 정보를 기반으로 phonon dispersion을 계산해 동적 불안정성을 판별하는 Filter 1은 전통적인 고정밀 DFT보다 수십 배 빠른 속도로 수천 개의 후보를 걸러낸다. 이어서 전압‑특정 에너지 프로파일을 MACE‑r2SCAN으로 추정해 평균 전압 2.1 ~ 6 V, 특정 에너지 > 250 Wh/kg 조건을 만족하지 못하는 물질을 Filter 2에서 제외한다. 이 단계에서 MACE는 전압 곡선 전체를 빠르게 샘플링할 수 있어, 전압이 급격히 변하는 전위 구간에서도 신뢰할 만한 예측을 제공한다.

다음으로 실험적 합성 가능성을 높이기 위해 공간군 빈도 통계와 화학적 위험성을 고려한 Filter 3·4를 적용한다. 가장 흔히 관찰되는 24개의 공간군 외에 속하는 구조는 결정성 및 합성 성공률이 낮다고 판단해 제외하고, 방사성·독성 원소를 포함하거나 희소 원소 비중이 높은 물질은 위험·비용 측면에서 배제한다. 이렇게 다섯 단계의 필터링을 거친 후 최종 후보는 수십 개 수준으로 축소되며, 이들에 대해 DFT + U(전이 금속에 대한 Hubbard U 보정)를 수행해 전압 프로파일을 재계산한다.

검증을 위해 6개의 실험적으로 확인된 양극재(LiCoO₂, LiFePO₄, Li₂MnO₃, NaCoO₂, KVPO₄F, MgV₂O₄)를 선택해 MACE‑r2SCAN과 DFT‑r2SCAN 결과를 비교하였다. 전압 평균값은 실험값과 ±0.1 V 이내 차이를 보였으며, 특히 MgV₂O₄와 KVPO₄F에서 DFT가 자성 상태를 비스핀극화로 가정해 과소평가하는 반면, MACE는 학습 데이터에 포함된 다양한 스핀 구성을 내재하고 있어 보다 정확한 전압을 예측한다. 또한 전압‑특정 에너지 관계에서도 MACE‑r2SCAN이 실험값과 높은 상관성을 유지한다.

전체 파이프라인은 “AI‑expert confidence > 90 % → MACE‑based 동적·열역학 안정성 → 전압·특정 에너지 → 공간군 → 화학적 위험성 → DFT‑U 재검증” 순으로 진행되며, 초기 20 k여 개 후보를 10⁴배 이상 효율적으로 축소한다. 이 과정에서 MACE 모델이 제공하는 고속 포스 계산과 물리 기반 필터링이 DFT의 정확성을 보완하면서도 대규모 스크리닝을 가능하게 만든다. 논문은 또한 Energy‑GNoME 데이터베이스에 보고된 전압·특정 에너지 값과 MACE 예측값을 직접 비교해, 기존 데이터베이스가 과대/과소 평가할 가능성을 지적하고, MLFF 기반 재평가가 데이터베이스 신뢰성을 향상시킬 수 있음을 시사한다.