University of Waterloo 부식 모델이 찾아낸 배터리 전해질의 절충점

University of Waterloo 연구진은 20가지 알칼리성 전해질 조건을 시험한 뒤 AI를 사용해 알루미늄 부식 속도와 전기화학적 안정성 사이의 절충점을 찾았다. University of Waterloo 부식 모델은 약 1.35몰 농도의 수산화칼륨, 즉 KOH를 선호 조건으로 선정했다. 그러나 이 결과가 완성된 배터리를 위한 처방은 아니다. 이는 엄격하게 통제된 실험실 조건에서 측정한 두 가지 부식 지표 사이의 모델 생성 균형점이다.

바로 이 구분이 핵심적인 긴장을 만든다. 알루미늄-공기 배터리는 활성 금속 단위당 높은 이론적 에너지 밀도를 제공하지만, 알칼리성 전해질은 전지가 유휴 상태일 때도 알루미늄을 소모한다. 더 강한 알칼리성은 전기화학적 활성을 뒷받침할 수 있는 반면, 원치 않는 용해와 수소 생성을 가속할 수 있다. 따라서 전해질 선택은 단순히 하나의 수치를 최소화하는 일이 아니라, 상충하는 목표를 관리하는 일이다.

연구팀은 이러한 시행착오 과정의 일부를 인공신경망과 두 가지 유전 최적화 기법으로 대체했다. Frontiers에 2026년 7월 10일 게재된 이 연구는 구축된 데이터셋 내에서 0.999를 넘는 예측 점수를 보고했다. 다만 연구진은 완전한 배터리 방전 성능, 장기 사이클링, 또는 측정한 화학적 범위 밖에서의 작동을 시험하지는 않았다.

이 결과는 익숙한 두 가지 개발 전략에 의문을 제기한다. 하나는 여러 조성을 시험하고 개별 실험 결과에서 작동 가능한 전해질을 고르는 방식이다. 다른 하나는 예측된 부식 속도가 가장 낮은 조건을 당연한 답으로 여기는 방식이다. Waterloo 연구는 부식 전위와 부식 전류가 항상 함께 개선되는 것은 아니므로, 어느 접근법도 전체 설계 문제를 포착하지 못한다고 주장한다.

University of Waterloo 부식 모델이 전해질 선택을 바꾸는 방식

중요한 변화는 AI가 부식을 예측했다는 사실이 아니다. 최적화가 일련의 실험실 측정값을 구체적이고 검증 가능한 전해질 조건으로 전환했다는 점이다.

Yasmin Shabeer, Seyed Saeed Madani, Satyam Panchal, Michael Fowler는 상용 알루미늄-마그네슘-실리콘 합금을 연구했다. 이 연구는 University of Waterloo 화학공학과에서 수행됐다. 연구 자금에는 Canada Research Chair 프로그램과 Natural Sciences and Engineering Research Council of Canada의 지원이 포함됐다.

연구진은 합금 시편을 수산화나트륨, 즉 NaOH, 및 KOH 용액에 노출했다. 각 전해질은 1몰에서 10몰까지의 농도에서 시험됐다. 시험은 알루미늄 합금을 작업 전극으로 사용한 3전극 셀에서 섭씨 25도로 진행됐다.

모든 실험은 15분간의 개방회로 안정화로 시작됐다. 이후 연구팀은 인가 전압을 변화시키면서 전류를 측정하는 동전위 분극법을 사용해 부식 거동을 추정했다. 전기화학 임피던스 분광법은 금속-전해질 계면이 서로 다른 주파수에서 작은 교류 신호에 얼마나 저항하는지 조사했다.

분석의 기반이 된 출력값은 두 가지였다. Ecorr로 표기되는 부식 전위는 시험 조건에서 부식과 연관된 전기화학적 경향을 나타낸다. Icorr, 즉 부식 전류 밀도는 부식 반응 속도를 비교하는 지표로 활용된다.

이 측정값들은 동일한 특성을 설명하지 않는다. 덜 음의 부식 전위는 유리하게 보일 수 있지만, 전류 밀도가 상승하면 재료 손실이 더 빠르다는 신호가 된다. 이러한 차이 때문에 단일 순위에서 최적 농도를 선택하면 연구진을 오도할 수 있다.

실험은 전해질의 종류도 중요하다는 점을 확인했다. 동일 농도에서 KOH는 일반적으로 NaOH보다 더 음의 부식 전위와 더 높은 부식 전류 밀도를 보였다. 논문은 이 차이를 이온 이동성, 수화, 금속 표면 근처의 전기 이중층과 관련된 양이온 의존적 효과와 연관 짓는다.

농도 증가가 단순한 선형 반응을 만들지는 않았다. 낮거나 중간 수준의 알칼리성은 양극 활성화를 촉진했지만, 고농도에서는 물질전달 제한 및 계면 제한 거동이 나타났다. 실질적으로는 수산화 이온을 더 추가해도 어느 시점부터 전기화학적 변화가 비례해서 커지지 않았다.

X선 회절에서는 노출 후 결정성 부식 생성물이 검출되지 않았다. 저자들은 이 결과를 주로 비정질 또는 수명이 짧은 표면막과 함께 지속적인 표면 용해가 일어났다는 뜻으로 해석한다. 동시에 X선 회절만으로는 부식 형상, 피트 발달, 나노미터 규모의 표면 화학을 완전히 설명할 수 없다는 공백도 남는다.

연구진은 전기화학 데이터를 바탕으로 인공신경망을 학습시켰다. 다섯 개의 입력값은 전해질 종류, 농도, 온도, 인가 전위, 측정 전류 밀도를 나타냈다. 두 개의 목표값은 Ecorr와 Icorr였다.

그리드 탐색은 351개의 신경망 구성을 평가했다. 선택된 네트워크는 각각 20개, 25개, 25개의 뉴런을 갖는 세 개의 은닉층으로 구성됐다. Adam 학습 알고리즘, 0.001의 학습률, 500회의 학습 에포크를 사용했다.

연구는 두 예측 출력값 모두에서 0.999를 넘는 R-squared 값을 보고했다. R-squared는 예측값이 모델의 기준 데이터 변동을 얼마나 밀접하게 따라가는지 측정한다. 이처럼 높은 값은 이 데이터셋 내에서의 밀접한 적합을 뜻하지만, 다른 합금이나 작동 환경에서도 정확하다는 사실을 입증하지는 않는다.

학습된 모델은 실험을 빠르게 대체하는 대리 모델이 됐다. 모든 중간 농도를 물리적으로 시험하는 대신, 최적화 알고리즘은 연속적인 탐색 공간에서 예측된 부식 거동을 조회할 수 있었다. 이 과정은 원래의 1몰 단위 간격 사이에 위치하는 제안 작동점을 도출했다.

이것이 University of Waterloo 부식 모델이 중요한 이유다. 이 모델은 측정 결과를 재현하는 데 그치지 않았다. 연구진이 표적 실험으로 검증할 수 있는 더 좁은 가설을 만들어 냈다.

알루미늄-공기 배터리에 최소값이 아니라 절충안이 필요한 이유

알루미늄-공기 배터리의 전해질은 기생 부식으로 지나치게 많은 금속을 소모하지 않으면서 음극이 유용한 에너지를 방출하도록 도와야 한다.

알루미늄-공기 전지에서는 알루미늄이 음극에서 산화되고, 산소는 양극 반응에 참여한다. 이 구조는 주변 공기에서 한 반응물을 가져와 시스템 내부에 실어야 하는 질량을 줄이는 데 도움이 된다. 알루미늄은 활성 물질 기준 킬로그램당 8.1킬로와트시의 이론적 중량 에너지 밀도도 가진다.

이 이론적 수치는 실제 전지 에너지와 같지 않다. 하드웨어, 전해질, 양극 구성 요소, 불완전한 활용률, 부반응은 시스템 수준의 성능을 낮춘다. 그럼에도 저장 에너지가 단순한 전기 재충전보다 중요한 응용 분야에서는 알루미늄-공기 화학의 기본 잠재력이 여전히 의미를 지닌다.

전해질은 여러 역할을 동시에 수행한다. 이온을 전달하고, 유용한 방전 과정에서 알루미늄 용해를 지원하며, 음극의 반응 생성물에 영향을 준다. 하지만 농축 알칼리성 용액은 전지가 휴지 상태일 때도 알루미늄을 공격할 수 있다.

이 원치 않는 반응은 외부 부하에 유용한 전류를 전달하지 않은 채 활성 물질을 소모한다. 또한 수소 가스를 방출해 효율, 압력 관리, 안전 문제를 일으킬 수 있다. 따라서 University of Waterloo 논문은 부식을 외관상의 재료 문제가 아니라 설계 변수로 다룬다.

이 문제는 알루미늄-공기 시스템을 일반적인 충전식 리튬이온 배터리와 구분한다. 많은 알루미늄-공기 설계에서 용량 복구에는 소모된 알루미늄 음극의 기계적 교체 또는 재활용이 필요하다. 자기 부식으로 손실되는 모든 그램은 그 교체 주기에서 얻을 수 있는 실사용 가치를 줄인다.

전해질 농도는 특히 까다로운 선택을 만든다. 약한 용액은 이온 전달이나 유용한 반응 속도론을 제한할 수 있다. 더 공격적인 용액은 전기화학적 활성을 개선할 수 있지만, 작동 중이나 유휴 기간의 용해를 가속할 수 있다.

Waterloo 연구팀은 이 충돌을 두 가지 목표로 공식화했다. 최적화는 Ecorr를 덜 음의 값으로 이동시키면서 Icorr를 낮추는 것을 목표로 했다. 한 목표를 개선하면 결국 다른 목표가 악화돼, 파레토 프런트라고 불리는 비지배 해 집합이 형성됐다.

파레토 프런트에는 다른 목표를 악화시키지 않고는 어떤 목표도 개선할 수 없는 선택지들이 포함된다. 연구진은 부식 전위를 더 개선하려면 부식 전류가 불균형적으로 증가해야 하는 무릎점(knee point)을 선택했다. 이 지점은 약 1.35 M KOH 부근에서 나타났다.

해당 농도에서 예측된 값은 음의 1.6199볼트의 Ecorr와 제곱센티미터당 0.0876암페어의 Icorr였다. 이 수치들은 함께 읽어야 한다. 어느 한 측정값만으로는 알고리즘이 왜 그 조건을 선호했는지 설명할 수 없다.

중요하게도 KOH는 동일 조건 실험 전반에서 더 온화한 전해질이 아니었다. 연구는 동등한 몰농도에서 KOH가 일반적으로 NaOH보다 더 공격적인 부식을 일으킨다고 관찰했다. 그럼에도 최적화기는 두 목표 사이의 특정한 균형을 추구했기 때문에 KOH 조건을 선택했다.

이러한 겉보기 모순은 이 연구에서 가장 유용한 결과다. 이는 “가장 낮은 부식”이 불완전한 설계 지시라는 점을 보여 준다. 한 지표를 억제하는 조건이 불리한 전기화학적 전위를 만들거나 유용한 음극 활성을 제한할 수 있다.

기존 연구는 이미 여러 배터리 설계에서 부식이 병목이라는 점을 확립했다. 광범위한 집전체 리뷰는 전해질 조성, 전압, 온도, 알루미늄 표면 특성이 리튬 기반 전지에서의 용해에 어떻게 영향을 미치는지 설명한다. 구성 요소와 메커니즘은 알루미늄-공기 음극과 다르지만, 공학적 교훈은 유사하다. 전해질의 이점은 금속과의 호환성에서 분리해 볼 수 없다.

알루미늄-공기 배터리 개발자에게 이 과제는 즉각적이다. 이들은 유용한 방전을 지원하고, 유휴 손실을 제한하며, 수소를 관리하고, 불순물을 견딜 수 있는 전해질 조성을 필요로 한다. 탐색 공간을 좁히는 모델은 실험을 절약할 수 있지만, 그 목표가 최종 배터리의 요구 사항과 일치할 때에만 그렇다.

AI가 1.35 M KOH 절충점을 찾은 방법

이 모델의 기여는 비선형 예측과 상충하는 부식 목표를 보존하는 탐색 기법을 결합한 데 있다.

인공신경망은 기록된 전기화학 변수들 사이의 관계를 학습했다. 입력값과 출력값이 농도 범위 전반에서 그랬듯 비선형적으로 상호작용할 때 신경망은 유용하다. 이 모델은 모든 표면 반응에 대한 완전한 물리 방정식에서 출발하지 않았다.

학습 과정은 먼저 서로 다른 척도의 값을 비교할 수 있도록 변수를 정규화했다. 이어 연구진은 층 깊이, 뉴런 수, 학습률, Adam 최적화기 매개변수를 변화시켰다. 이 구조화된 탐색은 이용 가능한 목표값을 매우 가깝게 재현하는 구성을 찾아냈다.

Icorr에 대해 보고된 학습, 테스트, 검증 R-squared 값은 각각 0.99975, 0.99975, 0.99970이었다. 물리 단위로 표현한 비교에서는 0.99974의 R-squared 값이 나왔다. 이 결과는 연구의 데이터 분할 내부에서는 눈에 띄는 오차가 거의 없었음을 시사한다.

다음 단계에서는 모델을 저비용 예측기로 사용했다. 표준 유전 알고리즘은 두 목표를 동일한 가중치로 결합한 뒤 하나의 해를 찾았다. 유전 알고리즘은 반복된 세대에 걸쳐 후보 해를 개선하기 위해 선택, 교차, 돌연변이를 모방한다.

동일 가중치는 하나의 판단을 도입한다. 정규화 후 부식 전위와 전류 밀도가 동등한 영향력을 가져야 한다고 가정하기 때문이다. 다른 가중치 체계라면 설계 공간의 다른 영역이 유리해질 수 있다.

이에 연구팀은 두 목표를 하나의 가중 점수로 통합하지 않는 다목적 유전 알고리즘인 NSGA-II를 추가했다. 이 방법은 비지배 전해질 조건의 범위를 유지하고 그 사이의 트레이드오프를 드러냈다. 무릎점은 최대 Ecorr와 최소 Icorr의 이상적인 조합에 가장 가까운 후보를 나타냈다.

두 최적화 방식은 모두 약 1.35 M KOH 부근으로 수렴했다. 스칼라 방식은 Ecorr가 약 음의 1.619876볼트이고 Icorr는 제곱센티미터당 0.087859암페어일 것으로 예측했다. NSGA-II도 거의 동일한 위치와 측정값을 반환했다.

두 최적화 전략의 일치는 선택된 지점이 하나의 수학적 공식에 덜 의존함을 시사한다. 그러나 두 방법 모두 동일하게 학습된 신경망을 조회했으므로, 이는 독립적인 실험 검증을 제공하지는 않는다.

이 차이는 University of Waterloo 부식 모델을 해석할 때 중요하다. 수렴은 최적화 방법 간 내부적 일관성을 보여 준다. 하지만 1.35 M KOH에서 실제 셀이 작동할 경우 모든 대안보다 우수할 것이라는 점을 보여 주지는 않는다.

그럼에도 이 접근법은 실험실 계획에 실용적인 전환점을 제시한다. 전통적인 스크리닝은 미리 정한 간격으로 농도를 시험하고, 측정값을 비교한 뒤, 또 다른 실험 세트를 선택한다. 학습된 대리 모델은 먼저 중간값을 탐색할 수 있으므로, 연구자는 가장 많은 정보를 제공하는 후보에 실험실 시간을 투입할 수 있다.

이 전략은 완료된 데이터세트를 수동적으로 분석하는 대신 모델이 다음 실험을 선택하도록 돕는 능동 학습과 닮아 있다. 이번 논문은 반복적 능동 학습 루프를 보고하지 않았다. 그럼에도 그 워크플로는 이를 위한 기반을 마련한다.

향후 시스템은 예측된 최적점을 시험하고, 그 결과를 데이터세트에 추가한 뒤, 모델을 재학습할 수 있다. 이후 연구자들은 불확실성이 높은 영역을 표본 추출할 수 있다. 이 주기를 반복하면 근거가 축적될수록 겉보기 무릎점이 안정적으로 유지되는지 확인할 수 있다.

AI는 전해질 물성 예측, 소재 스크리닝, 계면 분석을 포함한 관련 배터리 문제에 점점 더 활용되고 있다. 2026년 battery AI review는 같은 기회를 강조하는 한편, 제한적인 데이터 품질, 일반화 가능성, 해석 가능성을 지속적인 장애물로 지목한다.

이러한 장애물은 부식에서 특히 중요하다. 표면 준비, 합금 조성, 용존 불순물, 유동, 온도, 시험 프로토콜은 모두 측정된 거동을 바꿀 수 있다. 모델은 실제 작동 시스템에서 마주치는 모든 변수를 포착하지 못한 채, 정교하게 통제된 실험에는 매우 잘 맞을 수 있다.

따라서 Waterloo 워크플로는 자율적 화학 발견보다는 실험 유도형 최적화로 이해하는 편이 적절하다. 인간이 전해질 계열, 농도 범위, 시험 절차, 목표 변수, 선호하는 트레이드오프 규칙을 정의했다. AI는 그 경계 안에서 효율적으로 탐색했다.

엔지니어링 팀에 이러한 역할 분담은 가치가 있다. 모델은 복잡한 실험 관계를 보존하고 후속 시험의 우선순위를 매길 수 있다. 모델의 목표가 배터리 가치를 제대로 나타내는지 여부는 여전히 연구자가 결정한다.

거의 완벽한 예측이 더 나은 배터리를 뜻하지는 않는다

모델의 탁월한 적합도는 바로 그 한계에 세심한 주의를 기울여야 하는 이유이기도 하다.

0.999를 넘는 R-제곱 값은 결정적으로 들린다. 그러나 예측 품질은 학습 데이터와 제기되는 질문 사이의 관계에 달려 있다. 이 연구의 데이터세트는 상용 알루미늄-마그네슘-실리콘 합금 한 종류, 두 가지 수산화물 전해질, 한 가지 온도에서 얻었다.

농도 범위는 1~10 M으로 넓었다. 그러나 기초 실험 격자는 여전히 구조화돼 있었고 화학적으로는 좁은 범위였다. 모델은 수많은 합금 계열, 첨가제, 오염물질, 온도 또는 공기극 설계 전반으로 일반화하도록 요구받지 않았다.

일부 입력값도 신중히 해석해야 한다. 인가 전위와 측정 전류 밀도는 다섯 개 예측 특성에 포함됐으며, Icorr는 출력값 중 하나였다. 실험적으로 연결된 전기 변수 간 관계는 정확한 보간을 뒷받침할 수 있지만, 새로운 작동 영역에서는 신뢰도가 낮을 수 있다.

논문에 따르면 데이터는 학습, 시험, 검증 하위 집합으로 나뉘었다. 무작위 분할이나 밀접하게 연관된 분할은 유사한 실험 조건의 측정값을 모든 하위 집합에 배치할 수 있다. 이는 수치적 적합도에 엄격한 검사를 제공하지만, 화학적 외삽에 대한 혹독한 시험이라고 볼 수는 없다.

더 강력한 외부 시험이라면 전체 농도 영역, 전해질 계열, 합금 조성 또는 실험 캠페인을 따로 보류할 것이다. 그러면 연구자들은 모델이 학습 중 밀접하게 접하지 못한 조건을 예측하는지 검토할 수 있다. 공개된 결과는 그 수준의 일반화를 입증하지 않는다.

최적화된 1.35 M 농도는 또 다른 검증 요건을 추가한다. 원래 실험은 1~10 M 용액을 사용했지만, 모델은 측정 지점 사이를 연속적으로 탐색했다. 1.35 M에서의 직접 실험은 예측된 무릎점이 물리적 시험에서도 유지되는지 판별할 수 있다.

저자들은 알루미늄-공기 배터리 방전 성능과의 직접적 상관관계가 연구 범위 밖이었다고도 밝힌다. 선택된 조건에서 더 높은 전달 에너지, 향상된 보관 수명, 더 느린 가스 축적 또는 더 긴 작동 시간이 나타나는지를 입증하기 위해 완전한 셀을 사용하지는 않았다.

부식 전위와 부식 전류 밀도는 유용한 지표이지만, 배터리에는 더 많은 제약이 있다. 충분한 이온 전도도, 산소 수송, 양극 안정성, 방전 전압, 관리 가능한 반응 생성물, 그리고 예상 온도 범위 전반에서 허용 가능한 거동이 필요하다.

시험 표면도 또 하나의 경계를 만든다. 시료는 기계적으로 연마하고 에탄올로 세척했으며 0.79제곱센티미터 면적에 노출했다. 상용 전극은 더 넓은 면적, 다른 마감 상태, 제조 잔류물, 결정립 구조, 합금 불순물을 가질 수 있다.

연구팀은 전기화학 측정을 최소 세 차례 반복하고 일관된 경향을 보고했다. 이는 선택된 절차 안에서 재현성을 뒷받침한다. 하지만 규모 확대의 불확실성을 제거하지는 않는다.

연속 분극 스윕의 사용도 또 다른 주의점을 만든다. 연구진은 Ecorr와 Icorr가 이상적인 Tafel 영역에서의 엄밀한 동역학 결정이 아니라 비교 분석에 사용됐다고 설명한다. 따라서 독자는 전류 값을 보편적인 수명 예측으로 받아들여서는 안 된다.

표면 증거도 아직 불완전하다. X선 회절에서는 결정성 부식 생성물이 발견되지 않았으며, 이는 지속적인 용해와 비정질 막이라는 해석을 뒷받침한다. 저자들은 부식 형태를 명확히 하기 위해 주사 전자현미경 또는 광학 현미경이 필요하다고 제안한다.

이 후속 연구가 중요한 이유는 평균 전류 밀도가 같아도 서로 다른 고장 패턴이 가려질 수 있기 때문이다. 넓고 균일한 용해는 국부적인 피트 또는 균열과 다르게 전극에 영향을 줄 수 있다. 요약 전기 측정값만으로 학습된 모델은 이에 상응하는 표면 라벨 없이는 이러한 결과를 구분할 수 없다.

최적화 목표 역시 면밀히 검토할 필요가 있다. 무릎점은 Ecorr와 Icorr 사이의 수학적 절충안이지, 배터리 성능의 보편적 정의가 아니다. 고정형 백업 장치, 주행거리 연장 장치, 일회용 현장 전원은 보관 수명, 최대 출력, 가스 관리에 서로 다른 가치를 둘 수 있다.

연구자들은 두 모델링 목표를 넘어선 이유로 NaOH를 선호할 수도 있다. 연구에서는 동일 농도에서 NaOH의 부식 공격성이 더 낮게 관찰됐다. 소재 호환성, 공급 여건, 동결 거동, 전도도, 후속 재활용은 시스템 수준의 선택을 바꿀 수 있다.

비교 가능한 배터리 연구는 더 폭넓은 검증이 필요한 이유를 보여 준다. 알루미늄 집전체에 대한 벤치마크 연구에서는 five liquid electrolytes에서 안정성이 현저히 달라지는 것으로 나타났다. 이 연구는 리튬 이온 집전체를 다뤘지만, 염이나 용매를 바꾸는 일이 하나의 화학 계열에서 도출한 결론을 뒤집을 수 있음을 보여 준다.

머신러닝은 유망한 조건을 찾는 데 필요한 실험 수를 줄일 수 있다. 하지만 제외된 변수를 무의미하게 만들 수는 없다. 거의 완벽한 보간은 물리적 시험을 줄이기보다 더 표적화된 물리적 시험을 촉발해야 한다.

모델의 중요성을 보여 줄 세 가지 시험

Waterloo 결과는 예측된 절충안이 직접 실험, 더 폭넓은 화학 조건, 완전한 셀 작동에서 살아남을 때에만 중요한 의미를 갖는다.

첫 번째 신호는 약 1.35 M KOH에서의 물리적 시험이다. 연구자들은 정수 몰농도 사이의 보간에 의존하기보다, 그 정확한 농도에서 분극 및 임피던스 측정을 반복해야 한다. 확인된다면 모델이 실제 전기화학적 무릎점을 찾았다는 주장이 강화될 것이다.

이 시험에는 인접 농도도 포함해야 한다. 제안된 지점 주변을 좁게 스윕하면 1.35 M이 안정적인 최적점인지, 아니면 완만한 곡선 위에서 수학적으로 정밀하게 나온 답인지 드러날 것이다. 별도로 준비한 전해질 배치 전반에서의 재현은 민감도를 추가로 검증할 수 있다.

직접적인 표면 특성 분석은 전기 측정과 함께 이뤄져야 한다. 주사 전자현미경은 국부적 손상을 드러낼 수 있고, 화학적 표면 분석법은 산화물 및 수산화물 막을 조사할 수 있다. 이러한 관찰은 활성화 지배 영역과 수송 제한 영역 사이의 모델이 암시하는 전이를 검증할 수 있다.

측정된 Ecorr와 Icorr가 예측과 일치한다면 University of Waterloo 부식 모델은 보간 도구로서 신뢰도를 얻는다. 불일치한다면 특정 최적점의 신뢰성은 약화되지만, 재학습에는 여전히 유용한 정보를 제공할 수 있다.

두 번째 신호는 네트워크가 보지 못한 조건 전반에서의 외부 검증이다. 연구자들은 한 가지 온도, 다른 알루미늄 합금 또는 첨가제가 포함된 전해질을 보류할 수 있다. 그러한 시험에서의 성공은 밀접하게 연관된 관측값을 또다시 무작위 분할하는 것보다 더 큰 의미를 가진다.

온도는 우선적으로 다뤄야 한다. 공개된 실험은 섭씨 25도에서 수행됐지만, 실제 시스템은 더 낮은 온도에서의 시동과 더 높은 온도에서의 작동을 겪을 수 있다. 반응 동역학, 전도도, 가스 발생, 막 안정성은 모두 온도에 따라 달라질 수 있다.

합금 변동성도 똑같이 중요하다. 시험 소재는 약 99%의 알루미늄에 마그네슘, 실리콘, 철, 구리, 크롬, 티타늄 및 기타 미량 성분을 포함했다. 상용 음극은 부식과 방전 거동을 제어하기 위해 특별히 다른 합금 전략을 사용할 수 있다.

화학 공간을 확장하면 워크플로가 NaOH와 KOH 중 선택하는 범위를 넘어 일반화되는지 시험할 수 있다. 첨가제는 수소 발생을 억제하거나 표면 막을 바꿀 수 있지만, 더 많은 변수를 만든다. 이처럼 확장된 공간이야말로 AI 보조 스크리닝이 가장 큰 이점을 제공해야 할 영역이다.

세 번째 신호는 완전한 셀 성능이다. 유용한 알루미늄-공기 전해질은 완전한 음극, 분리막, 전해질, 공기극 시스템을 통해 에너지를 전달해야 한다. 연구자들은 방전 전압, 알루미늄 이용률, 수소 발생, 유휴 손실, 반응 생성물 관리를 측정해야 한다.

완전한 셀 시험은 1.35 M KOH를 가장 우수한 NaOH 조건 및 기존 기준선과 비교할 수도 있다. 이 비교는 모델의 두 목표 최적점이 실제 애플리케이션 개발자가 비용을 지불하는 결과를 개선하는지 보여 줄 것이다.

과거 연구는 반쪽 전지 측정을 넘어서는 일이 왜 중요한지 보여준다. 알루미늄 부식 연구에서는 전해질 조성이 공식 부식과 보호막 거동을 바꿀 수 있다는 사실이 오래전부터 확인돼 왔다. 최근 부동태화 연구도 리튬 이온 전류 집전체에서 알루미늄의 안정성이 작동 조건과 연관된다는 점을 제시했다.

화학적 특성과 전극의 역할이 다르므로, 이러한 결과가 워털루 연구진의 최적 조건을 검증하는 것은 아니다. 다만 한 가지 교훈은 뒷받침한다. 유용한 알루미늄 표면은 고립된 하나의 재료 특성이 아니라 전체 전기화학 환경에 좌우된다는 점이다.

세 가지 신호가 모두 일치한다면, 이 연구는 더 효율적인 개발 주기를 뒷받침할 수 있다. 실험으로 구조화된 부식 데이터를 만들고, 모델이 절충점을 찾아내며, 후속 시험이 모델을 보정하는 방식이다. 이후 완전 전지가 최적화된 대리 변수들이 실제 시스템 가치를 만들어내는지 판단하게 된다.

이러한 워크플로는 과학 기록 관리도 개선할 수 있다. 배터리 팀은 조성, 준비 단계, 전기화학 추적 데이터, 표면 이미지, 모델 버전을 연결해야 한다. 검색 가능한 엔지니어링 지식 기반은 한 후보가 발전하고 다른 후보가 실패한 이유를 보존하는 데 도움이 될 수 있다.

현재로서는 결과의 범위가 더 좁지만, 여전히 유용하다. 워털루대학교 연구진은 비선형적인 부식 절충 관계를 확인하고 이를 반증 가능한 실험 목표로 전환했다. 이들은 상용 전해질, 더 오래 지속되는 전지, 또는 보편적인 부식 예측기를 확립한 것은 아니다.

다음 단계는 실험실에서 이뤄져야 한다. 1.35 M KOH 예측을 직접 시험하고, 낯선 조건으로 모델을 검증하며, 완전 전지를 신뢰할 만한 기준선과 비교해야 한다. 이러한 결과가 일치한다면, AI 보조 부식 최적화는 정확한 보간을 넘어 실용적인 배터리 설계로 나아가게 될 것이다.