한국과학기술연구원(KIST) 계산과학연구센터 이병주 선임연구원 연구팀이 인공지능(AI) 기반 원자 시뮬레이션을 통해 비정질 고체전해질의 성능을 결정하는 핵심 요인을 규명하는 데 성공했다. 이번 연구는 전고체전지 상용화의 핵심 난제인 고체전해질 성능 최적화에 AI 기술을 적용해 소재 개발 속도를 획기적으로 향상시킬 수 있는 방법론을 제시했다는 점에서 의미가 크다.
연구 배경과 필요성
전고체전지는 화재 위험이 높은 기존 액체전해질 대신 고체전해질을 사용해 폭발 위험이 거의 없는 차세대 전지로 주목받고 있다. 그러나 고체전해질은 액체전해질과 달리 원자 구조가 불규칙적인 비정질 상태로 존재하며, 같은 조성의 소재라도 제조 공정에 따라 성능 편차가 크게 발생한다는 문제가 있었다.
고체전해질의 성능을 좌우하는 핵심 지표는 리튬 이온 전도도로, 이는 리튬 이온이 얼마나 빠르고 원활하게 이동하는지를 나타낸다. 기존에는 이러한 성능 편차의 원인을 정량적으로 해석하기 어려웠으며, 실험적 시행착오에 의존하는 소재 개발 방식은 시간과 비용 측면에서 비효율적이었다.
AI 기반 분석 방법론
KIST 연구팀은 AI를 이용한 고속 원자 시뮬레이션을 통해 리튬 이온 이동도를 분석·평가하고, 이를 바탕으로 높은 성능을 보이는 비정질 구조를 선별·분석하는 방법을 개발했다. 연구팀은 원자 수준에서 리튬 이온의 움직임을 추적하고, 구조적 특징과 성능 간의 상관관계를 체계적으로 규명했다.
기존의 원자 시뮬레이션 방법은 계산 비용이 높아 다양한 구조를 탐색하는 데 한계가 있었으나, AI 기반 접근법은 계산 속도를 크게 향상시켜 대규모 구조 탐색과 성능 예측을 가능하게 했다. 이를 통해 연구팀은 수백 가지의 비정질 구조를 생성하고 각각의 이온 전도도를 평가할 수 있었다.
핵심 연구 성과
리튬 이온 이동성 결정 요인 규명
연구팀은 리튬 이온의 이동성을 높일 수 있는 조건을 명확히 밝혀냈다. 가장 중요한 발견은 리튬 이온 주변을 황(S) 원자 4개가 둘러싼 구조의 비율이 높을수록 이온 이동이 빨라진다는 점이다. 이는 리튬 이온이 안정적으로 이동할 수 있는 최적의 국소 환경이 무엇인지를 제시한다.
또한 고체전해질 내부 빈 공간의 크기가 이온 이동에 미치는 영향도 규명했다. 흥미롭게도, 빈 공간의 크기가 너무 크면 오히려 이온 이동을 방해해 성능을 저하시킨다는 사실을 발견했으며, 이는 밀도가 낮을수록 전도도가 높다는 기존의 통념을 반박하는 결과다.
정량적 성능 예측 기준 제시
이번 연구는 단순히 성능에 영향을 미치는 요인을 찾는 것을 넘어, 비정질 고체전해질 사이의 성능 편차를 정량적으로 해석할 수 있는 기술을 제시했다. 연구팀이 개발한 분석 방법은 특정 구조가 어느 정도의 이온 전도도를 나타낼지 사전에 예측할 수 있어, 실험 전에 고성능 후보 물질을 선별하는 것이 가능해졌다.
산업적 응용 가능성
제조 공정 최적화
이번 연구 성과는 전고체전지에 적합한 고체전해질 설계 및 제조 과정에 직접 적용될 수 있다. 전해질의 조성 비율이나 열처리·소결 조건을 조절하여 내부 구조를 제어함으로써, 추가적인 소재 변경 없이도 상온 성능을 향상시킬 수 있어 산업 현장에서의 활용 가능성이 높다.
특히 황화물 기반 고체전해질은 현재 전고체 배터리 상용화의 유력한 후보 소재로 주목받고 있는데, 이번 연구에서 제시한 설계 기준은 황화물 전해질의 성능을 체계적으로 개선하는 데 활용될 수 있다.
소재 개발 속도 향상
연구팀이 제시한 분석 방법은 다양한 고체전해질 소재 개발로 확장될 수 있다. 고성능 후보 물질을 사전에 선별해 성능 예측과 소재개발 속도를 획기적으로 향상시킬 수 있어, 전기차와 에너지 저장장치 등 안전성과 에너지 밀도가 중요한 분야에서 전고체전지 상용화를 앞당길 것으로 기대된다.
기존의 실험 중심 소재 개발 방식은 수백 번의 시행착오를 필요로 했지만, AI 기반 예측 모델을 활용하면 유망한 후보 소재를 먼저 선별하고 이를 집중적으로 실험할 수 있어 개발 기간과 비용을 크게 절감할 수 있다.
글로벌 AI-전고체 배터리 연구 동향
KIST의 연구는 전 세계적으로 확산되고 있는 AI 기반 배터리 소재 설계 트렌드와 맥을 같이 한다. 2025년 12월 국제학술지 ‘Nature Communications’에는 실시간 AI를 활용해 전고체 리튬 금속 배터리의 충전 전략을 최적화하는 연구가 발표되었다. 이 연구는 강화학습(Reinforcement Learning)을 적용해 배터리의 수명을 연장하고 안전성을 향상시키는 지능형 충전 방식을 제시했다.
2025년 11월 국제학술지 ‘Science Advances’에는 전고체 배터리의 전해질과 계면 설계를 위한 AI 생태계 구축에 관한 종합 리뷰 논문이 게재되었다. 이 논문은 AI 기반 접근법이 고전도성 고체전해질 발견, 계면 화학 규명, 덴드라이트 형성 억제 등 전고체 배터리의 핵심 과제를 해결하는 효율적이고 저비용의 방법을 제공한다고 강조했다.
전력전자 시스템 관점의 시사점
전고체전지의 성능 향상은 전력전자 시스템 설계에 직접적인 영향을 미친다. 고체전해질의 이온 전도도 개선은 배터리의 내부 저항을 낮춰 출력 밀도를 높이고 에너지 효율을 향상시킨다. 이는 전기차의 파워트레인 설계에서 DC-DC 컨버터와 인버터의 효율 최적화 여지를 확대하며, 특히 800V 고전압 시스템과의 결합 시 초고속 충전 성능을 극대화할 수 있다.
또한 비정질 구조 제어를 통한 성능 최적화는 배터리 관리 시스템(BMS)의 설계 복잡도를 낮출 수 있다. 안정적이고 예측 가능한 전해질 성능은 셀 밸런싱과 열관리 알고리즘을 단순화하며, 이는 전체 시스템의 신뢰성과 경제성을 향상시킨다.
연구진 평가
이병주 선임연구원은 “비정질 고체전해질의 성능을 좌우하는 핵심 요인을 명확히 규명했다는 점에서 의미가 크다”며 “소재 성능을 체계적으로 개선할 수 있는 설계 기준을 제시한 만큼 향후 전고체전지 상용화를 앞당기는 데 기여할 수 있을 것으로 기대한다”고 밝혔다.
이번 연구 성과는 2025년 11월 21일(현지시간) 국제학술지 ‘Advanced Energy Materials’에 게재되었다. 이 저널은 에너지 소재 분야의 최고 권위 학술지 중 하나로, 연구의 학술적 가치와 산업적 파급력을 인정받았음을 의미한다.
KIST의 이번 연구는 전고체 배터리 상용화의 핵심 병목인 고체전해질 성능 최적화에 AI 기술을 성공적으로 적용한 사례로, 향후 국내 배터리 산업의 기술 경쟁력 강화에 중요한 기여를 할 것으로 전망된다.
