[Nature-2022] Autonomous optimization of non-aqueous Li-ion battery electrolytes via robotic experimentation and machine learning coupling

Autonomous optimization of non-aqueous Li-ion battery electrolytes via robotic experimentation and machine learning coupling

Nature Communications 13, 5454 (2022) · Adarsh Dave, Jared Mitchell, Sven Burke, Hongyi Lin, Jay Whitacre, Venkatasubramanian Viswanathan
DOI: 10.1038/s41467-022-32938-1 · 원문: Nature Communications · PDF: PDF

---

한 줄 핵심
사람이 수개월 걸릴 수 있는 비수계 Li-ion 전해질 조성 탐색을, 로봇 실험 플랫폼 Clio와 베이지안 최적화기 Dragonfly를 닫힌 루프로 연결해 2일·42회 실험 안에 빠른 충전에 유리한 후보 전해질 6개로 압축하고, 실제 220 mAh graphite||NMC532 파우치셀에서 기준 전해질보다 더 나은 고속충전 성능까지 검증한 논문입니다.

---

왜 중요한가

전해질 최적화는 용매 종류, 조성비, 염 농도, 상호작용이 복잡하게 얽혀 있어서 직관만으로 최적점을 찾기 어렵습니다. 이 논문은 단순히 “AI가 예측을 잘했다”가 아니라, 추천 → 자동 혼합 → 측정 → 재추천 → 실제 셀 검증까지 이어지는 자율 실험 루프가 배터리 R&D에서 실제로 작동함을 보여줍니다.

본 논문은 새 전해질 Chemical을 발견했다기보다는, 로봇 자동화 + 머신러닝 최적화를 통해 배터리 전해질 소재 탐색을 훨씬 적은 실험으로도 빠르게 할 수 있다는것을 실증하는 형태의 논문입니다.

이 논문의 정확한 새로움

• 비수계 Li-ion 전해질 조성 최적화에 대해 로봇 실험기 Clio + 베이지안 최적화 Dragonfly의 closed-loop 자율탐색을 실증했습니다.
• 목적함수를 우선 bulk ionic conductivity로 두면서도, 발견한 후보를 실제 220 mAh 파우치셀 fast-charge 시험으로 검증해 물성 최적화와 디바이스 성능의 간극을 직접 좁혔습니다.
• 무작위 탐색 대비 전체적으로 약 6배 빠르게 거의 최적 전해질에 도달할 수 있음을 보였습니다.
• EC/EMC/DMC/LiPF6의 익숙한 공간에서도 EC:DMC=40:60 wt%, 0.9 m LiPF6가 13.7 mS cm-1의 최고 전도도를 보인다는 미보고 최적점을 제시했습니다.

---

문제 정의

연구의 실제 질문은 간단합니다. “복잡한 비수계 전해질 조성 공간에서, 실험 횟수를 크게 줄이면서도 유효한 최적 조성을 실제 전지 성능으로 연결해 찾을 수 있는가?”

• 전해질 성능은 용매 조성, 염 농도, 점도, 이온전도도, 확산, 전하이동, 탈용매화 등 복합 요인에 좌우됩니다.
• 사람이 수작업으로 이 공간을 탐색하면 매우 느리고, 재현성과 기록 일관성도 떨어지기 쉽습니다.
• 배터리 분야의 많은 자동화 논문은 좋은 물성을 찾는 데서 끝나지만, 실제 셀 성능 검증까지 연결하지 못하는 경우가 많습니다.

---

방법: 입력–과정–출력

입력 공간

• 용매: EC, EMC, DMC의 ternary solvent
• 염: LiPF6 단일염
• 축 표현: EC 질량분율, DMC co-solvent ratio, LiPF6 molality
• 범위: EC 30–50 wt%, LiPF6 0–2 m, 총 1000개 이상 후보점

Clio 실험 시스템

• 자동 액체핸들링으로 feeder solution 혼합
• Pt-wire conductivity chamber + Palmsens4로 EIS 측정
• 각 조성은 triplicate 실행, contamination을 줄이기 위해 최종 2회 평균 사용
• 동일 전해질 반복 측정 평균 절대 차이 ±1.3%

Dragonfly 최적화기

• Gaussian process surrogate + adaptive acquisition
• EI, TTEI, UCB를 적응적으로 사용
• 탐색 편향 방지를 위해 중간중간 random sampling 삽입
• 초기 5점은 공간 상·하면에서 랜덤 시드

---

중요 그림/표 해설

Figure 1 — Clio 장치 개략도

무엇을 보여주나: 24-port valve, programmatic pump, sonication mixing vessel, Pt-wire conductivity chamber, balance, viscometer, LabVIEW orchestration, glovebox argon purge가 하나의 닫힌 시스템으로 통합되어 있습니다.

왜 중요한가: 자율탐색의 성공은 추천 알고리즘만으로 되지 않습니다. 샘플 오염 관리, 세척, 정량 이송, 저수분 환경 유지 같은 실험 인프라의 재현성이 핵심이라는 점을 드러냅니다.

Figure 2 — 최적화 중 샘플링 경로와 학습 속도

무엇을 보여주나: Clio가 EC-EMC-DMC/LiPF6 공간에서 실제로 어떤 점들을 찍었는지, 그리고 실험 횟수가 늘어날수록 최고 전도도가 얼마나 빨리 개선되는지를 보여줍니다.

핵심 해석: 약 15회 안쪽에서 사실상 optimum 근방으로 수렴합니다. 저자들은 BO만 고집하지 않고 RAND를 섞어 exploration을 유지했습니다. 즉, 이 시스템은 “현재 최고점만 파고들기”보다 공간을 충분히 넓게 보면서도 빠르게 수렴하는 설계입니다.

Figure 3 — 전도도 지도와 셀 테스트 후보 선정

 

 

핵심 수치: 최고 전도도는 EC:DMC=40:60 wt%, 0.9 m LiPF6에서 13.7 mS cm-1입니다.

왜 40% EC가 최적인가: DMC가 늘면 점도가 낮아져 전도도에 유리하지만, EC는 유전율이 높아 이온 해리에 유리합니다. 그래서 30% EC보다 해리 측면에서 낫고, 50% EC보다 점도 측면에서 유리한 40% EC가 타협점이 됩니다.

Table 1의 의미: 알고리즘이 단일 최댓값 하나만 뽑은 것이 아니라, 고염·저염 영역까지 고려해 후속 셀 검증용 후보군 A–G를 구조적으로 선별했다는 점이 중요합니다.

Figure 4 — 실제 파우치셀 고속충전 성능

설정: graphite||NMC532, 220 mAh pouch cell, 전해액 0.7 mL, 최대 4C(10.4 mA cm-2)까지 충전속도 증가.

결과: Clio가 찾은 전해질들은 baseline 대비 4C에서 같거나 더 높은 discharge capacity를 보였습니다. 최악의 Clio 전해질도 baseline 최악 셀 대비 5% 개선, 최고 Clio 셀은 baseline 최고 셀 대비 13% 개선을 보였습니다.

의미: conductivity라는 단일 물성만 최적화했는데도 실제 fast-charge 성능 개선으로 이어졌다는 점이 이 논문의 실용성을 강화합니다.

Figure 5 — EF/AF 해석

Enhancement factor (EF): 같은 샘플 수에서 찾은 최적값의 상대적 향상입니다. 이 논문에서는 탐색 공간이 비교적 smooth해서 EF 상한이 약 5%로 크지 않습니다.

Acceleration factor (AF): 같은 목표값에 도달하는 데 필요한 샘플 수 절감 정도입니다. 거의 최적해(98.5% optimum) 기준으로 평균 약 6배, 진짜 optimum 기준으로는 평균 10배 수준의 가속을 보였습니다.

핵심 메시지: 이 시스템의 강점은 “랜덤보다 훨씬 더 좋은 전해질을 찾는다”보다 “쓸 만한 거의 최적 전해질에 훨씬 적은 실험으로 도달한다”에 가깝습니다.

---

결과 해석

• 물성 최적화 자체는 성공했습니다. 42회의 자율 실험 안에서 conductivity optimum을 찾았고, 약 15회 이내에 근방 수렴이 보입니다.
• 발견된 최적 조성은 실제 셀 fast-charge 성능도 개선했습니다. 즉, 적어도 이 설계공간에서는 conductivity 최적화가 실용 성능과 연결됩니다.
• 다만 성능 향상 폭은 “혁명적 도약”이라기보다 빠르고 효율적인 설계 개선에 가깝습니다. 그래서 진짜 공헌은 최고값 그 자체보다 closed-loop 방법론 + device validation에 있습니다.
•  

---

실무적 의미

• 배터리 R&D: 전해질 스크리닝을 연구자 감과 수작업에 덜 의존하게 만듭니다.
• 조직/프로세스: 추천기–실험기–후속 셀평가 파이프라인을 만들면 후보 압축 속도를 크게 높일 수 있습니다.
• AI 관점: 배터리용 AI의 가치는 단순 예측 정확도 경쟁보다 실험 의사결정 루프를 실제로 돌리는 데 있음을 보여줍니다.
• 산업 관점: 최종 셀 검증이 들어갔기 때문에 purely in-silico 결과보다 신뢰도가 높습니다.

한계

• 목적함수가 우선 ionic conductivity 단일지표입니다. 계면 안정성, Li plating, 장기 수명, 가스 발생, 고전압 안정성은 직접 최적화하지 않았습니다.
• 탐색 공간이 비교적 전통적인 EC/EMC/DMC + LiPF6 단일염 시스템이라 문제 난도가 제한적입니다.
• 셀 검증은 220 mAh 소형 pouch cell이며 환경온도도 엄밀히 제어되지 않았습니다.
• 후보 셀 수가 많지 않고 일부 blend는 샘플 수가 제한적입니다.
• 장치 세척/프라이밍/오케스트레이션 같은 공학적 구현 의존도가 높아 다른 실험실 재현성은 별도 검증이 필요합니다.

최종 요약

이 논문은 배터리 분야 self-driving lab의 초창기지만 중요한 전환점입니다. 새 전해질 화학 자체보다 더 중요한 것은, 비수계 Li-ion 전해질처럼 조성공간이 크고 실험이 번거로운 문제에서 자율 실험 루프가 실제로 작동하고, 그것이 단순 물성 향상에 그치지 않고 파우치셀 고속충전 성능 개선으로 이어질 수 있음을 보였다는 점입니다.

즉 이 논문의 진짜 메시지는 “배터리용 AI의 가치는 예측 정확도 경쟁이 아니라, 실험을 더 적게 하고도 더 빨리 의미 있는 후보를 찾게 만드는 구조에 있다”는 것입니다.