Blog

AI스타, KAIST서 배터리 연구 데이터 추출 기술 이전…저탄소 소재 R&D ‘속도전’ 본격화

AI 기반 첨단소재·배터리 빅데이터 솔루션 기업 에이아이스타(AISTAR)가 KAIST(한국과학기술원)로부터 차세대 배터리 연구용 AI 데이터 추출·구조화 기술을 이전받고, 산업 특화 인공지능 인프라 고도화에 나선다. 이 기술은 방대한 비정형 연구 데이터를 정형 데이터로 전환해 배터리·신소재 분야의 AI 모델 학습을 가능하게 하는 핵심 기반 기술로, 배터리 소재 경쟁력과 동시에 기업의 탄소중립 전략에도 직결되는 인프라라는 점에서 산업계의 주목을 받고 있다.

이번에 이전이 완료된 기술의 핵심은 수만 건에 이르는 배터리 관련 논문과 내부 실험 보고서(PDF)에서 실험 조건, 성능 지표, 소재 조성 등 핵심 데이터를 자동으로 추출·정제하는 AI 기반 데이터 구조화다. OCR(광학문자인식)과 대규모 언어 모델(LLM)을 결합해 문서의 실험 맥락을 해석한 뒤, JSON·CSV 등의 형식으로 표준화함으로써 비정형 연구 데이터를 AI 학습에 적합한 정형 데이터로 변환한다.

배터리·신소재 분야에서는 이미 축적된 논문·보고서·실험 로그가 방대하지만, 포맷이 제각각이어서 실제 AI 분석과 모델링에 쓰이는 데이터는 극히 제한적이었다. 이로 인해 기업과 연구기관은 새로운 실험을 반복 수행하면서 시간·비용·에너지 소비를 키워 왔다. 에이아이스타가 확보한 기술은 이 비효율을 줄이는 ‘데이터 인프라’에 가깝다. 존재하던 지식을 재구조화해 AI가 검색·학습·추론 가능한 형태로 바꾸면서, 동일 성능을 달성하기 위해 필요한 실험 수와 리드타임을 크게 줄일 수 있다는 점에서 의미가 크다.

회사는 이 기술을 단순 문서 자동화가 아닌 ‘첨단소재 전략산업 R&D의 디지털 전환(DX)을 가속하는 기반 기술’로 규정한다. 구조화된 대규모 도메인 데이터셋을 확보하면, 소재 조성과 성능의 상관관계, 공정 조건-결과 매핑, 실패 사례 패턴까지 포함한 고품질 데이터 레이크를 구축할 수 있다. 이는 특정 연구자의 경험과 암묵지에 의존하던 영역을 데이터 기반 의사결정으로 전환하는 출발점이다.

에이아이스타는 이번 기술을 토대로 산업 특화 파운데이션 모델(Industry-Specific Foundation Model) 개발에 속도를 낸다는 계획이다. 일반 목적 LLM이 아닌, 이차전지·신소재 도메인에 특화된 모델을 학습시켜 △실험 설계 자동 추천 △신규 소재 조성 조합 제안 △데이터 기반 가설 자동 생성 △정밀 질의응답(RAG) 기반 연구 지원 등을 수행하는 ‘지능형 자율 연구 에이전트 시스템’을 고도화한다는 구상이다.

이 시스템이 본격 상용화될 경우, 기업 R&D 부서는 실험 설계 단계에서부터 에너지 밀도·수명·안전성·원가·탄소발자국(embedded carbon) 등 복수의 요구 조건을 동시에 최적화하는 방향으로 실험을 설계할 수 있다. 이는 배터리 셀·소재 기업들이 RE100·Scope 3 감축 목표를 고려한 포트폴리오 설계에 AI를 직접적으로 활용할 수 있다는 의미이기도 하다.

에이아이스타는 소프트웨어 레벨에 머물지 않고, 해당 자율 연구 에이전트를 실제 실험 장비·자동화 로봇과 연계한 Physical AI 기반 ‘자율 실험 시스템(Autonomous Lab)’으로 확장하는 방안도 추진하고 있다. 후보 소재 자동 제안 → 실험 조건 자동 생성 → 로봇 기반 실험 수행 → 실시간 결과 피드백 학습 → 조건 재탐색이라는 폐루프(closed-loop) 최적화를 구현해, 소재 탐색 사이클 전체를 데이터와 AI 중심으로 재구성하는 것이 목표다.

이 같은 ‘AI-실험 융합형 연구 환경’은 기업 입장에서 두 가지 방향에서 의미가 있다. 첫째, 개발 속도 측면에서 셀·소재 개발 리드타임을 대폭 줄여 시장 진입 시점을 앞당길 수 있다. 둘째, 에너지·자원 효율 측면에서 실패 실험과 중복 실험을 줄여 투입 전력·시약·원자재 사용량을 줄이는 효과가 기대된다. 이는 연구개발 단계에서 발생하는 탄소 배출과 환경 부담을 동시에 낮추는 수단이 될 수 있어, 배터리·소재 기업의 ESG 전략과도 연결된다.

이번 기술 개발을 이끈 KAIST 홍승범 교수는 배터리·신소재 분야에 이미 방대한 연구 데이터가 존재함에도, 비정형 데이터라는 이유로 AI 학습에 직접 활용하지 못했던 구조적 한계를 지적하며, 정밀한 데이터 구조화 기술이 이차전지 특화 AI 모델의 토대를 강화할 것이라고 강조했다. 이는 국가 차원의 배터리 경쟁력 제고 측면에서도 의미가 있다. 소재·공정 노하우를 내재한 연구 데이터를 체계적으로 구조화하고, 산업계와 공유 가능한 수준으로 정제한다면, 배터리 공급망 리스크와 핵심 소재 의존도 이슈에 대응하는 데 활용될 수 있기 때문이다.

에이아이스타 장우정 대표는 “산업 특화 AI 인프라를 확보했다는 점에서 기술 이전의 의미가 크다”며, AI 기반 지능형 자율 연구 시스템과 Physical AI 자율 실험 시스템을 통해 ‘AI 신소재 혁신’ 속도를 구조적으로 끌어올리겠다고 밝혔다. 이는 단기적으로는 고에너지밀도·고안정성 배터리 소재 확보 경쟁, 중장기적으로는 반도체, 수소연료전지 등 넷제로 전환 핵심 기술 전반으로 확장될 수 있는 포지셔닝이다.

에이아이스타는 향후 기업 맞춤형 데이터 솔루션, 연구소용 데이터 파이프라인, 지능형 자율 연구 지원 플랫폼 등으로 비즈니스를 확장하며 글로벌 첨단소재 AI 시장 진출을 본격화할 계획이다. 이미 글로벌 상위권 배터리 전해액 기업과의 협업을 통해 기술력을 검증한 만큼, 다국적 배터리·완성차·에너지 기업의 R&D 조직이 잠재 고객군으로 거론된다. 투자자 관점에서는 ‘모델보다 데이터 인프라’에 방점을 둔 전략이라는 점에서, 기존 AI 스타트업과 다른 리스크·가치평가 방식이 요구되는 사례로 볼 수 있다.

RE100 관점에서의 시사점

RE100을 추진하는 글로벌 제조·IT·자동차 기업 입장에서 배터리와 소재는 Scope 3 배출의 핵심 구성 요소다. 셀·소재 공급망이 얼마나 빠르게 저탄소·고효율 기술로 전환되는지가 전체 탈탄소 비용 구조를 좌우한다.

이번 사례는 두 가지 시사점을 제공한다. 첫째, 배터리·소재 기업이 AI 기반 데이터 인프라를 활용하면, 같은 성능을 더 적은 에너지·원자재로 달성하는 조성·공정을 빠르게 탐색할 수 있어, 공급망 단에서 RE100 이행 비용을 낮출 수 있다. 둘째, RE100 회원사들은 단순히 재생에너지 PPA·REC 확보를 넘어, 소재·배터리 공급사와의 공동 R&D나 데이터 협력을 통해 ‘저탄소 소재 개발 속도’ 자체를 조달 전략의 일부로 포함할 필요가 있다는 점을 시사한다.

NET ZERO 관점에서의 시사점

넷제로 전략에서는 생산·운영 단계뿐 아니라 R&D 단계의 자원·에너지 효율까지 관리 대상으로 확장되는 추세다. Autonomous Lab과 같은 자율 실험 시스템은 실패·중복 실험을 줄이고 실험 효율을 높여, 연구 단계에서의 간접배출을 구조적으로 줄일 수 있는 수단이 될 수 있다.

또한 AI 기반 소재 탐색은 에너지 밀도 향상, 수명 연장, 희소·고탄소 소재 대체 등 넷제로 기술의 ‘질적 전환’을 가속하는 역할을 한다. 기업과 정책 담당자는 이러한 데이터·AI 인프라를 단순 R&D 생산성 도구가 아니라, 배터리·수소·반도체 등 전략산업 전반의 넷제로 전환 속도를 좌우하는 기반 인프라로 인식하고, 정책 지원·투자 심사 기준에 반영할 필요가 있다.

RE100 NEWS 기자
media@re100.co.kr
Copyright ⓒ RE100 NEWS. All rights reserved. 무단 전재-재배포 금지.