리튬이온 배터리는 스마트폰부터 전기차까지 현대인의 일상에 필수적인 에너지원입니다. 하지만 사용 횟수가 늘어남에 따라 내부 반응이 불안정해지고 폭발 사고로 이어지는 등의 안전성 문제가 지속적으로 제기되어 왔습니다. 이를 해결하기 위해 과학자들은 배터리 내부의 복잡한 이온 이동과 반응을 수학적으로 규명한 P2D 모델을 활용합니다. 양극, 분리막, 음극의 세 구역에서 일어나는 전위와 반응 속도를 계산하여 배터리의 성능과 수명을 예측하는 방식입니다. 하지만 이 모델은 수백만 개의 복잡한 연산을 반복해야 하므로 기존의 수치 해석 방식으로는 막대한 비용과 시간이 소요된다는 한계가 있었습니다.

P2D 모델은 강한 비선형성과 인터페이스 간의 다양한 경계 조건 때문에 과학 계산을 통해서 연구하기가 매우 어렵다고 알려져 있습니다.

서울대학교 연구팀은 이러한 연산의 한계를 극복하기 위해 물리 법칙을 학습하는 인공지능인 'PINN'을 도입했습니다. PINN은 학습 과정 자체에 물리 법칙을 내재시켜 별도의 데이터 없이도 물리 법칙에 부합하는 방향으로 결과를 도출하는 혁신적인 신경망 기술입니다. 연구팀은 배터리 내부의 미세한 공간과 시간, 온도 변화를 고려한 복잡한 편미분 방정식을 동시에 풀기 위해 KISTI의 슈퍼컴퓨터를 활용했습니다. 슈퍼컴퓨터의 강력한 병렬 연산 능력은 인공지능이 오차 없이 안정적으로 학습하도록 지원했습니다. 그 결과 연구팀은 배터리 모델의 정방향 및 역방향 문제를 모두 성공적으로 해결하는 성과를 거두었습니다.

이번 연구의 핵심은 인공지능이 단순한 데이터 예측을 넘어 물리 법칙을 직접 이해하고 재현했다는 점에 있습니다. 실험 데이터가 부족한 상황에서도 배터리 내부 현상을 수학적으로 정확히 모사할 수 있게 된 것입니다. 이러한 기술력은 배터리 분야를 넘어 폭우나 폭염과 같은 극한 기상 현상을 정밀하게 예측하는 연구로도 확장되고 있습니다. 방대한 대기 물리 과정을 학습한 인공지능과 슈퍼컴퓨터의 협업은 복잡한 자연 현상을 빠르고 정확하게 해석하는 시대를 앞당기고 있습니다. 과학은 이제 실험으로 직접 확인하기 어려운 미지의 답을 고도화된 연산과 인공지능의 결합을 통해 찾아가고 있습니다.