Enhancing EBSD throughput of battery electrode materials using super-resolution generative adversarial networks

우리의 휴대폰과 전기차에 전력을 공급하는 배터리는 정교한 내부 구조에 의존합니다. 이러한 배터리의 양극 내부에서 활물질은 단단하고 균일한 하나의 덩어리가 아니라, 아주 작은 다결정 입자들의 집합체입니다. 각 입자를 미세한 결정(grain)들이 서로 뭉쳐 있는 클러스터라고 상상해 보십시오. 이 결정들의 방향과 모양은 매우 중요합니다. 충전과 방전 과정에서 리튬 이온이 배터리 내부를 드나들 때, 이온들은 이 결정들 내부의 특정 경로를 따라 이동합니다. 만약 결정들의 방향이 어긋나 있거나 결정 사이의 경계가 취약하다면, 이온의 이동이 효율적이지 못하게 되며 반복적인 사용 과정에서 발생하는 스트레스로 인해 재료에 균열이 생길 수 있습니다. 더 나은, 더 오래가는 배터리를 만들기 위해 과학자들은 이러한 결정들의 모양, 크기, 그리고 배열을 극도로 정밀하게 이해해야 합니다.

이러한 미세 구조를 관찰하기 위해 연구자들은 전자 후방 산란 회절(EBSD)이라는 강력한 이미징 기술을 사용합니다. 이 방식은 연마된 배터리 재료 단면에 전자 빔을 쏘아 모든 결정립의 방향을 보여주는 지도를 만들어냅니다. 하지만 이 과정은 매우 고통스러울 정도로 느립니다. 결정 경계의 선명하고 상세한 이미지를 얻으려면 기계가 샘플을 매우 높은 해상도로 한 점씩 스캔해야 하는데, 이는 단 하나의 입자를 스캔하는 데에도 수 시간이 걸릴 수 있는 작업입니다. 과학자들이 새로운 배터리 재료에 대한 신뢰할 수 있는 통계적 그림을 얻기 위해 수십 개의 입자를 연구해야 할 때, 이 소요 시간은 전체적인 발견의 속도를 늦추는 주요한 병목 현상이 됩니다.

로키 산맥 국립 연구소(National Laboratory of the Rockies)의 연구팀은 인공지능의 한 종류를 사용하여 이 병목 현상을 깨뜨릴 방법을 찾아냈습니다. 그들은 두 개의 신경망이 서로 경쟁하며 매우 사실적인 이미지를 생성하는 시스템인 생성적 적대 신경망(GAN) 기반의 컴퓨터 프로그램을 개발했습니다. 이 경우, 시스템은 배터리 입자의 흐릿한 저해상도 이미지를 입력받아, 누락된 세부 정보를 계산적으로 '채워 넣어' 선명한 고해상도 버전으로 만드는 훈련을 받았습니다. 연구진은 이 접근 방식을 전기차에 흔히 사용되는 재료인 리튬-니켈-망간-코발트 산화물 입자에 테스트했습니다. 그들은 컴퓨터가 느린 수 시간의 스캔 과정 없이도 복잡한 결정 구조를 정확하게 재현할 수 있는지 확인하기 위해, AI가 생성한 이미지와 실제 고해상도 스캔 데이터를 비교했습니다.

결과는 AI 시스템이 기존의 이미지 향상 기법들을 크게 능가했다는 것을 보여주었습니다. 단순히 주변 픽셀을 바탕으로 누락된 부분을 추측하는 표준 기술들은 이미지를 흐리게 만들거나 부자연스럽고 뭉툭한 아티팩트(artifact)를 만들어 가장 작은 결정들을 가려버리는 경향이 있었습니다. 반면, AI 모델은 배터리 재료 특유의 패턴을 학습하여 결정 경계의 미세한 디테일을 놀라운 충실도로 재구성할 수 있었습니다. 연구진은 훨씬 적은 시간이 걸리는 훨씬 낮은 해상도로 이미지를 캡처한 다음, AI를 사용하여 이를 업스케일링(upscale)할 수 있음을 입증했습니다. 구체적으로, 평소보다 5배 더 거친 해상도로 이미지를 촬영한 뒤 이를 향상시켰을 때, 실제 고해상도 데이터와 거의 구별할 수 없는 결과를 만들어냈음을 보여주었습니다. 이 단일 단계는 25배의 속도 향상으로 이어져, 보통 16시간이 걸리던 스캔을 단 1시간으로 단축했습니다.

연구팀은 이러한 속도 향상이 정확도를 희생하면서 이루어진 것이 아님을 검증했습니다. 그들은 결정의 크기와 모양 같은 주요 특성들을 측정하였고, AI로 향상된 이미지가 미세한 오차만을 남긴 채 이러한 디테일들을 잘 보존하고 있음을 확인했습니다. 예를 들어, 원래 이미지가 5배 더 낮은 해상도였음에도 불구하고, 추정된 결정의 크기와 경계선의 길이는 실제 값의 몇 퍼센트 이내의 오차 범위를 유지했습니다. 결정적으로, AI는 전통적인 방식에서는 종종 손실되거나 왜곡되었던 특징인, 아주 작은 결정들을 가시적으로 유지하고 입자를 지탱하는 연결된 경계 네트워크를 유지해 냈습니다. 비록 해상도가 극도로 낮아질 때는 시스템이 약간 어려움을 겪기도 했지만, 실질적인 시간 절감을 제공하는 유효한 범위 내에서는 매우 효과적이었습니다.

이 연구는 배터리 연구자들이 이제 훨씬 빠르게 통계 데이터를 수집할 수 있음을 시사합니다. 이제 연구자들은 한 묶음의 입자를 스캔하기 위해 며칠을 기다리는 대신, 훨씬 짧은 시간 안에 스캔을 마치고 AI를 통해 필요한 디테일을 얻을 수 있습니다. 이러한 능력은 더 넓은 영역과 더 많은 입자를 분석할 수 있는 문을 열어주며, 배터리 재료가 어떻게 작동하는지에 대한 더 깊은 이해로 이어집니다. 연구진은 이 접근 방식이 연료 전지나 태양광 패널에 사용되는 다른 재료에도 적용될 수 있으며, 3차원 이미징 기술의 속도 또한 높일 수 있다고 언급했습니다. 느리고 노동 집약적인 과정을 신속한 과정으로 전환함으로써, 이 방법은 세계가 점점 더 의존하고 있는 첨단 에너지 저장 시스템의 개발을 가속화할 수 있는 새로운 길을 제시합니다.