이 기사는 배터리의 파라미터 조정을 프로그래밍으로 수행하는 기사입니다만, 정작 저자에게 배터리에 대한 지식이 거의 없기 때문에 전반적으로 AI와 함께 다듬으며 작성했습니다.

따라서 틀린 점 등이 있다면 알려주시면 감사하겠습니다.

갑작스럽지만, 2026년 7월 현재 세계에서 가장 큰 회사가 어디인지 알고 계십니까?

그렇습니다. 바로 NVIDIA입니다.

과거에는 게임에 사용되는 GPU를 제공하던 일개 반도체 기업이, 이제는 AI 시대의 놀라운 AI를 뒷받침하는 인프라를 제공하는 회사까지 성장했다는 것은 유명한 이야기입니다.

다만, 그 기술의 어떤 점이 대단한지에 대해서는 그리 많이 이야기되지 않습니다.

저 자신도 반도체에 대해 그렇게 잘 아는 것은 아니지만, 그 비밀 중 하나를 상상할 수 있습니다.

그것은 다음과 같은 기사처럼, "NVIDIA의 회로 생성은 AI로 최적화되어 있다"는 점 때문이 아닐까 생각합니다.

즉, 대량의 회로를 AI에 학습시켜 '좋은 회로가 존재할 법한 공간'을 만들고, 그 공간 위를 경사 하강법 (Gradient Descent) 등으로 최적화하는 수법입니다.

이 글을 읽었을 당시에는 '그렇구나' 하고 넘겼을 뿐입니다.

하지만 최근의 피지컬 AI (Physical AI) 흐름 속에서 AI를 다시 생각해 보았을 때, 반도체가 아닌 제조업 전반에도 이 사고방식을 도입할 수 있지 않을까 생각했습니다.

즉, 반도체 회로 이외의 제조업에서도 제조 사례를 대량으로 생성할 수 있다면, 괜찮은 제조 사례를 만들 수 있지 않을까 생각한 것입니다.

그렇다면 무엇을 대상으로 삼아야 할까?

그때 발견한 것이 배터리였습니다.

배터리에는 PyBaMM라는 **리튬 이온 배터리 등의 전기화학 시뮬레이션을 Python으로 수행하는 OSS (Open Source Software)**가 있습니다.

독자적인 배터리 인터프리터 언어를 만들고, 이 PyBaMM를 사용하여 어떤 통계를 수행한다면, 꽤 괜찮은 파라미터를 가진 배터리를 시뮬레이션할 수 있을 것이다. 그렇게 생각하여 Codex와 함께 개발한 결과가 다음과 같습니다.

[IMG:0]

라고, 100회 시뮬레이션을 통해 얻은 배터리의 결과와 성능은 다음과 같습니다.

※ 아쉽게도 IT 분야 출신이라 배터리에 대한 지식이 전혀 없어 검증할 수는 없습니다만... 버그가 있다면 죄송합니다!

배터리「Optuna 셀 0085」를 정의한다.
모델은 DFN.
기준 파라미터는 OKane2022.
...

• 시뮬레이션은 정상적으로 방전 종료됨
• 리튬 석출은 발생하지 않음
• SEI는 미세하게 성장함
• 온도 상승은 약 9.6℃
• 전해액 농도의 편차는 비교적 작음
• 음극의 과전압이 더 큼
• 양극·음극 모두 깊게 이용됨

{
"csv": "build/search/optuna/trial_0085/result.csv",
"config": {
...

이 기사에서는 어떻게 이 배터리 시뮬레이션을 만들었는지 해설해 나가겠습니다.

배터리 설계는 매우 많은 설계 파라미터를 가지고 있습니다.

예를 들어,

• 양극의 두께
• 음극의 두께
• 공극률 (Porosity)
• 입자 직경
• 활물질 체적 분율
• 분리막 두께
• 전해액 특성
• 반응 속도
• 열화 모델

등, 수십에서 수백 개의 파라미터가 존재합니다. 게다가 각각이 독립적이지도 않습니다.

예를 들어,

• 용량을 늘리려고 하면 온도가 올라감
• 급속 충전을 하면 리튬 석출이 일어남
• 열화를 줄이면 출력이 떨어짐

등, 많은 트레이드오프 (Trade-off)가 있습니다.

즉,

"좋은 배터리"를 만드는 것은 다목적 최적화 문제 (Multi-objective Optimization Problem) 그 자체입니다.

물론 실제 제조사에서는 풍부한 지견과 실험 데이터를 사용하여 설계하고 있겠지만, 외부인의 시선에서는,

"이 탐색을 AI로 자동화할 수는 없을까?"

라는 의문이 생겼습니다.

다행히 배터리에는 PyBaMM라는 매우 뛰어난 전기화학 시뮬레이터가 있습니다.

만약

배터리 파라미터 → 시뮬레이션 → 성능 평가

를 고속으로 돌릴 수 있다면, AI를 통한 설계 탐색을 시도할 토대는 충분합니다.

그래서 저는 배터리를 DSL (도메인 특화 언어, Domain Specific Language)로 표현하고, PyBaMM를 사용하여 대량의 시뮬레이션을 실행하는 메커니즘을 만들기로 했습니다.

간단히 요약하면 다음과 같은 흐름이 됩니다.

"25C 표준 시험 조건에서 평가하는 NMC/흑연계 리튬 이온 셀의 전극 설계"에서,

배터리의 구조를 일본어 DSL로 기술하고, 그 DSL을 PyBaMM로 변환하여 시뮬레이션한 뒤, Optuna로 최적화합니다.

최종적으로는,

DSL
↓
PyBaMM
...

이라는 루프를 돌려, 인간이 배터리 설계를 시행착오하는 대신 AI가 설계를 탐색합니다.

일반적인 PyBaMM에서는 Python 코드를 작성합니다.

예를 들어

parameter_values.update({
"Positive electrode thickness [m]": ...
})

와 같이 작성하게 됩니다.

하지만 이 방식은

• 인간이 읽기 어렵다
• LLM이 편집하기 어렵다
• 설계 의도가 남지 않는다

라는 단점이 있습니다.

그래서 일본어 DSL을 만들었습니다.

예를 들어

전지 「시작 셀」을 정의한다.
모델은 SPMe.
기준 파라미터는 OKane2022.
...

와 같이 전지 설계 그 자체를 문장으로서 표현할 수 있습니다.

일본인이라면 이 방식이 훨씬 읽기 편하지 않을까요?

Peggy로 DSL을 해석하여,

DSL
↓
AST
...

로 변환합니다.

즉, DSL은 단순한 텍스트가 아니라, **구조화된 데이터 (Structured Data)**로 변환한 뒤 PyBaMM에 전달합니다.

PyBaMM을 실행하면

time
voltage
current
...

등을 CSV로 취득합니다.

CSV의 마지막 부분만 보는 것이 아니라,

예를 들어

방전 용량
에너지
최대 온도
...

등을 종합하여 점수화(Scoring)합니다.

score =
용량
− 온도 페널티
...

이 평가 함수를 Optuna에 전달합니다.

Optuna는

양극 두께
양극 공극률
음극 두께
...

을 변경하면서

DSL 생성
↓
PyBaMM
...

을 수백 번 반복합니다.

그 과정에서 가장 score가 높은 것을 추출한 것이 서두에 적은 전지의 결과입니다.

현재 단계에서는 DSL의 파라미터 탐색에 Optuna를 이용하고 있습니다.

Optuna는 매우 우수하지만,

DSL
↓
PyBaMM
...

을 독립된 시행(Trial)으로 취급합니다.

반면, 인간 설계자는 조금 다른 방식을 취합니다.

예를 들어,

"음극을 조금 두껍게 했더니 용량이 늘어났다.
하지만 온도도 올라가 버렸다.
그렇다면 다음에는 공극률을 아주 조금만 조정해 보자."

와 같이, 이전 결과를 보면서 다음 설계를 생각합니다.

이러한 "시행착오 그 자체"를 학습시키기 위해서는 강화학습 (RL)도 흥미로운 방법이 될 수 있다고 생각합니다.

예를 들어,

현재의 DSL
↓
LLM 또는 RL 에이전트
...

라는 루프입니다.

보상 (Reward)에는

• 방전 용량
• 발열
• SEI 성장
• 리튬 석출
• 시뮬레이션 성공률

등을 조합한 점수를 사용할 수 있습니다.

그러면 AI는 "어떤 파라미터를 어느 방향으로 변경해야 성능이 개선되기 쉬운가"라는 설계 방침 그 자체를 학습할 수 있는 가능성이 있습니다.

물론, 이것은 아직 아이디어 단계입니다.

실제로는 상태 공간 (State Space)이나 행동 공간 (Action Space)의 설계, 샘플 효율성 등 많은 과제가 있습니다.

그럼에도 불구하고,

DSL
↓
PyBaMM
...

이라는 프레임워크는 강화학습과 매우 궁합이 좋으며, 향후 시도해 보고 싶은 테마 중 하나입니다.

LLM은 DSL 전체를 다시 쓰는 것과 같은 큰 설계 변경에 능숙합니다.

반면, 강화학습은

양극 두께 +2%
음극 입자 크기 -5%
공극률 +0.01

와 같이 세밀한 조정을 반복하는 데 능숙합니다.

따라서,

LLM
↓
대략적인 전지 설계
...

라는 구성도 고려하고 있습니다.

이는 아직 완전히 구상 단계이지만, "AI가 전지를 설계하는" 세상을 실현하는 데 있어, 이러한 생성형 AI와 강화학습을 결합한 접근 방식도 흥미로울 것이라고 생각합니다.

여기까지 읽어주셔서 감사합니다!

여러분도 각자의 관심 분야에서 AI 가속을 추진해 나가실 수 있기를 바랍니다.