When Zero-Shot Transfer Fails: Parameter-Efficient Few-Shot Adaptation of a Selective State-Space Battery RUL Model to an Unseen LFP Fleet

배터리는 전기 자동차부터 도시를 밝히는 그리드에 이르기까지 모든 것에 동력을 공급하는 현대 세계의 조용한 엔진입니다. 그러나 모든 배터리 팩 내부에는 근본적인 불확실성이 존재합니다. 바로 남은 수명이 얼마나 되는가 하는 점입니다. 이 잔여 유효 수명을 예측하는 것은 안전과 경제 측면에서 매우 중요하지만, 두 배터리가 똑같이 노화되지 않기 때문에 매우 어렵습니다. 배터리들은 서로 다른 생산 배치에서 태어나고, 서로 다른 온도에서 사용되며, 서로 다른 충전 습관을 겪습니다. 이를 해결하기 위해 과학자들은 인공지능으로 눈을 돌렸습니다. 한 종류의 배터리 데이터로 컴퓨터 모델을 학습시킨 뒤, 새로운 학습 없이도 완전히 다른 종류의 배파터리 상태를 즉각적으로 예측할 수 있기를 기대하는 것입니다. '제로샷 전이(zero-shot transfer)'라고 알려진 이 개념은 단 한 번의 소프트웨어 업데이트로 수백만 개의 다양한 배터리를 관리할 수 있는 미래를 약속합니다. 하지만 이 약속의 신뢰성은 현장의 무질서한 현실 속에서 여전히 검증되지 않은 채 남아 있습니다.

모티랄 네루 국립 기술 연구소(Motilal Nehru National Institute of Technology)의 연구진이 수행한 최근 연구는 이러한 접근 방식에 대한 낙관론에 의문을 제기합니다. 연구팀은 특정 배터리 화학 조성의 수명을 예측하는 능력이 뛰어나다고 찬사받았던 정교한 컴퓨터 모델을 가져와, 한 번도 본 적 없는 리튬 인산철 배터리 함대에 적용하여 테스트했습니다. 결과는 참담한 실패였습니다. 이 새로운 77개의 원통형 셀 그룹에 적용되었을 때, 모델은 성능이 저조했으며, 거의 3분의 1에 달하는 배터리의 잔여 수명을 단순히 평균값으로 추측하는 것보다도 못하게 예측했습니다. 많은 경우, 모델은 기본적인 상수 추측보다도 가치가 없을 정도로 부정확했으며, 그 신뢰 구간은 실제로는 절반 이상 틀리고 있음에도 불구하고 높은 확신을 제시하는 등 위험할 정도로 오해의 소지가 있었습니다.

연구진은 단순히 이 실패를 기록하는 데 그치지 않고, 이를 수정하는 데 얼마나 많은 노력이 필요한지 탐구했습니다. 거대 모델 전체를 처음부터 다시 학습시키는 대신(이는 느리고 비용이 많이 듭니다), '매개변수 효율적 적응(parameter-efficient adaptation)'이라는 기법을 시도했습니다. 이 접근 방식은 자동차의 핵심 엔진은 그대로 둔 채 새로운 도로에 맞게 조향 장치와 서스펜션만을 조정하는 것과 유사합니다. 연구진은 모델의 본체를 고정하고, 단 10% 정도의 아주 작은 내부 설정만을 변화시켰으며, 이때 단 61개의 새로운 배터리 데이터만을 사용했습니다. 이 작은 조정은 특정 방식으로 최종 답을 계산하는 방법과 결합되어 시스템을 완전히 탈바꿈시켰습니다. 이전에 실패했던 동일한 모델은 이제 나머지 보지 못한 배터리들의 수명을 높은 정확도로 예측했으며, 단 하나의 셀도 음수나 불가능한 잔여 수명을 갖도록 예측하지 않았습니다.

그들의 발견 중 결정적인 부분은 최종 수치가 어떻게 계산되었는지와 관련되어 있습니다. 모델은 구체적인 남은 사이클 수가 아니라, 0과 1 사이의 값인 '남은 수명의 비율'을 예측하도록 학습되었습니다. 이 비율을 다시 구체적인 사이클 수로 바꾸기 위해, 연구진은 배터리의 예상 총 수명으로 나누어야 했습니다. 그들은 이 추정치를 구하는 세 가지 서로 다른 방법을 테스트했습니다. 한 가지 방법은 배터리가 수명을 다할 때까지 알 수 없는 실제 최종 수명을 사용하는 것이었는데, 이는 완벽에 가까운 점수를 냈지만 실제 사용에는 쓸모가 없었습니다. 다른 방법은 훈련 데이터 기반의 고정된 평균을 사용하는 것이었으나, 여전히 일부 예외적인 사례들에 대해서는 실패했습니다. 실제 배포에 적합하다고 판단된 세 번째 방법은 오직 그 시점까지 가용했던 데이터만을 기반으로 한 '인과적 투영(causal projection)'을 사용하는 것이었습니다. 이 현실적인 조건 하에서, 적응된 모델은 견고한 성공률을 달お하며, 모델이 마법처럼 일반화될 수는 없더라도 새로운 함대에 맞춰 빠르고 저렴하게 튜닝될 수 있음을 입증했습니다.

또한 이 연구는 모델의 불확실성 추정치 역시 예측만큼이나 망가져 있다는 사실을 밝혀냈습니다. 적응 전, 시스템은 자신의 답변에 대해 90%의 확신을 가졌으나, 실제로는 41%의 확률로만 정답을 맞혔습니다. 적응과 재보정 과정을 거친 후, 시스템은 보수적이고 신뢰할 수 있게 변하여, 실제 수명을 99.5%의 확률로 커버하게 되었습니다. 이러한 위험한 과잉 확신에서 안전한 주의로의 전환은 실패를 방지하기 위해 예측에 의존하는 운영자들에게 매우 중요합니다. 연구진은 단일 모델이 조정 없이 모든 배터리 유형에 완벽하게 작동한다는 꿈은 허구일 가능성이 높다는 결론을 내렸습니다. 대신, 가장 실용적인 경로는 각 새로운 함대마다 짧고 집중적인 캘리브레이션(교정) 기간을 갖는 것이며, 이는 안전이 필수적인 시스템이 요구하는 신뢰성을 위해 지불해야 할 작은 대가입니다.