본 논문은 배터리 과학 분야에서 머신러닝(ML)을 활용하여 고에너지 밀도, 고체 전해질 발굴, 급속 충전, 수명 예측, 재활용이라는 5대 핵심 과제를 해결하기 위한 응용 지향적 설계를 제안한다.
연구 방법으로는
DFT 및 분자 동역학(MDS) 시뮬레이션, 실험 및 문헌 데이터를 통합한 표준 데이터베이스를 구축하고, 이를
바탕으로 지도 학습(회귀·분류), 비지도 학습(생성 모델), 강화
학습(베이지안 최적화) 등 다양한 알고리즘을 적용하는 전략을 취합니다. 특히 재료 설계, 합성, 피드백이 반복되는 폐쇄 루프(Closed-loop) 최적화를 통해 실험 비용을 줄이고 개발 속도를 가속화한다.
결론적으로, ML은 차세대 배터리 발견을 위한 필수 도구이며, 저자는 향후 생성형 AI 및 트랜스포머 모델의 통합, 자동화 대시보드 구축, 그리고 물리 이론과 ML을 결합한 이중 구동(Dual-drive) 접근 방식이 배터리 기술의 혁신을 이끌 미래 연구 프런티어가 될 것이라고 강조한다.
