【gmf 만두】폰투스 블랙박스|블록체인채굴

NO.1: gmf 만두

반도체 공정에 적용하는 검수방식을 배터리 분야에 적용해 불량률을 획기적으로 감소시킬 영상인식 기술이 개발됐다.이 기술은 인공지능 학습으로 배터리의 표면 형상만으로도 배터리의 원소별 함량과 충·방전 횟수 등 정보를 정확하게 예측할 수 있는데 주안점을 둔다.

KAIST는 신소재공학과 홍승범 교수와 한국전자통신연구원(ETRI),미국 드렉셀대가 공동연구를 통해 배터리의 주요 원소 함량과 충·방전 상태를 99.6%의 정확도로 검수하는 방법론을 세계 최초로 개발했다고 2일 밝혔다.

(왼쪽부터) 신소재공학과 홍승범 교수,gmf 만두오지민 박사,gmf 만두염지원 박사.KAIST 제공

공동연구팀이 개발한 방법론은 다양한 조성과 각기 다른 충·방전 사이클의 NCM(니켈·코발트·망간) 양극재 주사전자현미경(이하 SEM) 사진을 합성곱 신경망(Convolutional Neural Network·CNN) 기반의 인공지능에 학습시켜 배터리 불량률을 줄일 수 있게 하는 것이 핵심이다.합성곱 신경망은 시각적 영상을 분석하는 데 사용되는 다층의 피드-포워드적인 인공신경망의 일종이다.

반도체 공정에서는 웨이퍼의 불량 검수를 위해 SEM을 주로 사용한다.하지만 배터리 공정에서는 SEM를 사용하는 사례가 드문데다,열화된 배터리 소재의 경우 입자가 깨지고 부서진 형상에서 신뢰성을 예측해야 한다.

공동연구팀은 이러한 현장 상황에 착안해 연구를 진행했다.우선 공동연구팀은 반도체 공정에서처럼 배터리 공정도 자동화된 SEM으로 양극재 표면을 검수해 원하는 조성대로 합성이 됐는지,gmf 만두신뢰성 있게 수명을 기대할 수 있는지를 확인하는 등으로 불량률을 줄일 수 있다면 획기적일 것으로 판단했다.

이 같은 판단하에 공동연구팀은 자율주행자동차에 적용 가능한 합성곱 신경망 기반의 인공지능에 배터리 소재 표면 영상을 학습시킨 후 양극재의 주된 원소 함량과 충·방전 사이클 상태를 예측할 수 있도록 했다.

또 이러한 방식의 방법론이 첨가제가 들어간 양극재에 적용 가능한 지 여부를 확인한 결과,gmf 만두함량은 상당히 정확하게 예측하는 반면 충·방전 상태는 상대적으로 정확도가 낮다는 사실을 확인했다.

이에 공동연구팀은 향후 다양한 공정을 거쳐 생산한 배터리 소재의 형상을 학습시켜,차세대 배터리의 조성 균일성 검수와 수명 예측에 활용할 수 있도록 한다는 구상이다.

홍승범 KAIST 교수는 “공동연구는 주사전자현미경 사진의 소재 구조 데이터로 주 원소 함량과 충·방전 상태를 빠르고,정확하게 예측할 인공지능 기반의 방법론을 개발했다는 데 의의가 있다”며 “이번 연구에서 개발한 현미경 영상 기반 배터리 소재의 함량 및 상태 감별 방법론은 향후 배터리 소재의 성능과 품질을 향상하는 데 중요한 역할을 하게 될 것”이라고 말했다.

한편 공동연구는 공동 제1 저자인 KAIST 신소재공학과 졸업생 오지민 박사·염지원 박사와 공동저자인 ETRI 김광만 박사,미국 드렉셀대 아가르(Agar) 교수가 참여해 진행됐다.연구 결과는 국제 학술지‘엔피제이 컴퓨테이셔날 머티리얼즈’에 출판(5월 4일자)됐다.

The 100% privacy-safe noise & occupancy solution