배터리 재료의 매장량을 찾고 대체재를 식별하기 위한 AI 모델의 사용

AI 연구자들은 배터리 제작에 사용되는 재료의 추출과 관련된 환경적 영향을 줄이기 위해 AI 모델을 개발 중이다. Kobold라는 광물 탐사 스타트업은 배터리 제작에 사용되는 재료를 지面에서 감지할 수 있는 AI 모델을 개발하고 있다. 한편, IBM의 연구팀은 리튬과 코발트와 같은 일반적인 배터리 재료의 대체재를 찾기 위해 AI 알고리즘을 사용하고 있다.

배터리 제작에 사용되는 재료의 수요는 전기 구동 장치의 수가 증가함에 따라 계속 증가하고 있다. 이러한 수요를 충족하기 위해 더 많은 광물 자원이 필요하게 될 것이며, 연구자들은 이러한 자원 추출 작업의 환경적 영향을 줄이기 위한 방법을 찾고 있다. AI는 현재의 광물 추출 방법을 개선하거나 더 지속 가능한 기술로 대체할 수 있는 잠재력을 가지고 있다.

IEEE Spectrum에 따르면, KoBold Metals의 새로운 AI 프로젝트는 광물 매장량을 찾는 데 사용되며, 이는 현재의 자원 추출 방법보다 상대적으로 적은 피해를 줄 수 있다. Kobold는 개발 중인 AI 모델이 침입적이고 비싼 광물 탐사 작업의 필요성을 크게 줄일 수 있을 것이라고 설명했다. Kobold에 따르면, 대부분의 쉽게 접근할 수 있는 재료는 이미 발견되었지만, 새로운 광물 매장량은 현재의 에너지 시스템을 변경하기 위해 필요하다.

KoBold는 스탠퍼드 대학교의 Center for Earth Resource Forecasting와 협력하여 특정 광물의 매장량을 찾기 위해 추천할 수 있는 AI 에이전트를 개발 중이다. 이 스타트업은 리튬, 구리, 코발트, 니켈과 같은 광물의 매장량을 찾기 위해 AI를 개발하고자 한다.

스탠퍼드 대학교의 지질과 교수인 Jef Caers는 AI의 개념이 지질학자들이 여러 지역의 광물 매장량을 평가하고 의사결정 과정을 가속화하는 데 도움이 될 것이라고 설명했다. Caers에 따르면, AI 모델은 자율 주행 자동차와 같은 방식으로 작동하며, 주변 환경에서 수집된 데이터를 기반으로 작동한다.

화석 연료 구동 자동차에서 배터리 구동 자동차로 전환함으로써 총 온실 가스排出量을 줄이려는 사회에서는 더 많은 배터리 용량이 필요하다. Nature에 발표된 논문에 따르면, 2050년까지 도로에 있는 전기 자동차의 수가 20억 대에 이를 수 있으며, 이는 약 12테라와트시의 연간 배터리 용량을 필요로 하며, 이는 현재 미국의 существ하는 용량의 약 10배이다.

Kobold의 AI 기반 광물 발견 접근 방식은 다양한 소스에서 수집된 잠재적인 광물 매장량에 대한 데이터를 저장하는 데이터 플랫폼을 지원한다. 토양 샘플,鑽井 보고서, 위성 이미지와 같은 데이터는 AI 모델의 특징으로 사용되며, 이는 높은 농도의 광물 매장량의 위치를 예측한다. 이 AI 모델은 인간 분석가보다 훨씬 빠르게 예측을 할 수 있을 것으로 기대된다.

Kobold가 배터리 제작에 사용되는 광물 매장량을 찾는 AI 모델을 개발하는 동안, IBM의 연구팀은 리튬과 코발트와 같은 일반적인 배터리 재료의 대체재를 찾고 있다. IBM의 연구팀은 현재 존재하는 배터리 재료의 성능을超过할 수 있는 용매를 찾기 위해 AI 모델을 사용하고 있다. 이 IBM AI 프로젝트는 현재 존재하는 재료에 중점을 두고 있으며, 다른 IBM 프로젝트는 새로운 분子的 합성을 목표로 한다.

IBM의 연구팀은 기존 재료의 분자 구조, 녹는점, 점도와 같은 특성을 이해하기 위해 생성 모델을 사용했다. 이러한 특성에 대한 생성 모델을 훈련시키면 연구자들은 유사한 특성을 가진 분자를 생성할 수 있다.

IBM은 이미 새로운 분자들을 개발하기 위해 AI 시스템을 사용했다. 이러한 분자들은 더 환경적으로 친화적인 재료와 기술을 사용하여 컴퓨터 칩을 개발하는 데 도움이 될 수 있다. IBM의 연구팀은 배터리 기술에도 동일한 것을 하려고 한다.