인터뷰

Holyvolt 창립자 겸 CEO Mathias Ingvarsson – 인터뷰 시리즈

Antoine Tardif
Unite.AI를 Google의 선호 소스에 추가
Mathias Ingvarsson, Founder and CEO of Holyvolt
핵심 포인트홀리볼트의 강점은 경쟁사가 단순히 다운로드할 수 없는 18년간의 독점 배터리 데이터입니다.
더 보기
  • 홀리볼트의 강점은 경쟁사가 단순히 다운로드할 수 없는 18년간의 독점 배터리 데이터입니다.
  • 실패한 제제는 재현 가능한 실험실 공정이 실제 화학적 실패와 테스트 이상을 구분할 때만 훈련 데이터가 됩니다.
  • AI는 한 실험 설계 작업을 6주에서 8분으로 단축했지만 과학자들은 여전히 실험을 설계하고 판단합니다.

Mathias Ingvarsson는 배터리 기술에 새로운 접근법을 모색하기 위해 2022년 설립한 Holyvolt의 창립자 겸 CEO입니다. 그는 Tempur-Pedic의 해외 사업 확장에 참여하고 여러 산업 분야에서 사업을 일으키며 경력을 쌓았습니다. Holyvolt에서는 Wildcat Discovery Technologies 인수를 비롯해 과학 전문성, 실험 데이터, 제조 역량을 연결하여 배터리 소재 개발을 앞당기는 데 주력하고 있습니다.

Holyvolt는 에너지 생산 및 저장 기술을 개발하며, 소재를 대량으로 탐색하는 방식과 정밀 스크린 인쇄 제조 기술을 결합합니다. 배터리 연구 플랫폼은 Wildcat Discovery Technologies를 통해 실험실 연구, 과거 시험 데이터, AI 기반 소재 개발을 연결합니다. 이번 인터뷰에서 Ingvarsson은 과학자들이 실제 실험과 함께 머신러닝을 활용하는 방법, 실패한 배합이 가치 있는 데이터가 될 수 있는 이유, 더 빠른 예측을 검증된 소재와 대규모 생산으로 이어가려면 무엇이 필요한지 이야기합니다.

경력을 살펴보면 Tempur-Pedic의 해외 사업 확장에 참여하셨고, 여러 사업도 창업하셨습니다. 2022년에 Holyvolt를 설립하게 된 계기는 무엇이며, 기술적으로 까다로운 배터리 산업에서 회사를 세우기로 결심하게 한 기회는 무엇이었나요?

매트리스부터 속옷까지 다양한 분야에서 사업을 일궈 왔으니, 배터리는 다소 뜻밖의 다음 단계처럼 보일 수 있습니다. 하지만 저는 늘 다른 사람들이 놓치고 있는 기회가 보이는 산업에 끌렸습니다.

Holyvolt를 시작할 당시 배터리 화학에 대해 아는 것이 거의 없었는데, 오히려 그 점이 도움이 됐다고 생각합니다. 때로는 어떤 일을 할 수 없는 이유를 전부 모르는 것이 엄청난 강점이 되기도 합니다. Jensen Huang은 Nvidia를 세우는 일이 얼마나 어려울지 알았더라면 아마 시작하지 않았을 거라고 말한 적이 있습니다. 저도 그 말에 공감합니다.

제가 본 것은 중국이 이미 승리한 경쟁에서 중국을 이기려는 서구 배터리 업계의 모습이었습니다. 업계는 중국이 수십 년에 걸쳐 완성한 기술을 따라 하려고 수십억을 투자하고 있었습니다. 왜 그와 같은 에너지를 더 나은 기술을 개발하는 데 쏟지 않는지 이해할 수 없었습니다. 배터리는 우리 주변 거의 모든 것에 동력을 공급하게 될 것이고, 저는 배터리 개발 방식을 새롭게 생각해 볼 엄청난 기회가 있다고 봤습니다. 그 생각이 Holyvolt를 설립하게 된 계기였습니다.

Wildcat 인수를 검토할 때, 그동안 축적된 실험 기록이 AI 기반 발견 플랫폼의 토대가 될 수 있다고 확신한 이유는 무엇이었나요? 데이터가 방대하다는 점 외에, 데이터에 관해 어떤 점을 확인해야 했나요?

방대한 데이터 규모가 가장 먼저 눈에 들어왔습니다. 18년에 걸쳐 시험한 배터리 셀은 50만 개가 넘었고, 충방전 사이클은 1억 6,500만 회에 달했습니다. 데이터를 더 자세히 살펴볼수록 실험의 엄격성과 Wildcat이 이미 이룬 기술적 진전에 더욱 깊은 인상을 받았습니다. 수십 년간 일관되게 수집한 이런 데이터는 복제하기가 매우 어렵습니다.

저는 배터리 과학자가 아니기 때문에 저보다 훨씬 더 잘 아는 사람들을 영입했습니다. 배터리, AI, 재료과학 전문가들이 연구소를 둘러보러 왔는데, 솔직히 말해 모두 크게 감탄했습니다.

Wildcat을 찾는 기업들을 보면 BMW를 비롯해 가치 사슬 전반에 걸친 세계적인 기업들이 있습니다. 막대한 연구개발 예산과 세계 최고 수준의 과학자들을 보유한 기업들이 Wildcat에 도움을 요청하고 있었습니다. 그것이 제게는 궁극적인 검증이었습니다. Wildcat이 세계에서 가장 주목받는 배터리 소재 발굴 플랫폼을 구축했다고 확신하게 됐습니다. 그리고 AI가 해낼 수 있는 일은 이제 막 시작 단계에 불과하다고 생각합니다.

실패한 실험은 데이터 경쟁력의 핵심입니다. 성공하지 못한 배터리 배합을 통해 모델이 무엇을 학습할 수 있는지, 또 실험팀은 의미 있는 화학적 실패와 실험 수행 과정의 문제를 어떻게 구분하는지 사례를 들어 설명해 주시겠습니까?

실패는 화학 연구의 일부입니다. 과학은 지난 수백 년 동안 그런 과정을 통해 발전해 왔습니다. 무언가를 시도하고, 잘되지 않으면 그 경험에서 배우고, 다시 시도합니다. AI도 같은 방식으로 학습해야 합니다.

우리는 18년 동안 고속 처리 방식으로 배터리 실험을 해 왔습니다. 따라서 데이터에는 실패한 배합부터 성공적으로 성능을 최적화한 소재까지 모든 것이 포함됩니다. 모델을 학습시킬 때 이는 매우 귀중한 자산입니다.

리튬 금속 배터리를 예로 들어 보겠습니다. 기존 흑연 배터리와 달리 리튬 금속 배터리는 용량이 갑자기 떨어질 수 있으며, 이를 예측하기가 매우 어렵습니다. 우리는 다양한 전해질 배합, 전극 설계, 시험 절차를 적용해 실제 배터리 충방전 데이터를 수집하고, 용량 저하가 언제 발생할지 예측하는 머신러닝 모델을 개발했습니다.

초기 모델은 이러한 용량 저하를 상당히 신뢰도 있게 예측할 수 있습니다. 현재 예측을 개선하기 위해 더욱 집중적인 실험을 설계하고 다양한 조건에서 배터리를 시험하고 있습니다.

물론 결과를 신뢰할 수 있어야만 그 데이터가 가치가 있습니다. 저희는 실험의 재현성을 높이고 오류를 최소화하기 위해 수년간 실험실 절차를 개선해 왔습니다. 또한 같은 실험을 여러 차례 반복해, 좋지 않은 결과가 실제 소재의 문제를 반영하는 것인지 아니면 실험 과정의 이상 때문인지 판별할 수 있도록 합니다. 그래야 단 한 번의 대표성 없는 결과를 바탕으로 모델이 잘못된 교훈을 학습하지 않습니다.

모델이 소재를 제안하는 단계부터 실험실에서 이를 시험하고 그 결과를 반영하는 단계까지, 발견 주기가 어떻게 진행되는지 설명해 주시겠어요? AI는 어떤 결정을 내리며, 과학자의 판단은 어떤 부분에서 여전히 필수적인가요?

모든 과정은 저희 과학자들로부터 시작됩니다. 과학자들은 알아내려는 내용을 바탕으로 실험을 설계하고, 저희 고처리량 플랫폼에서 시험을 진행합니다. 그런 다음 머신러닝 엔지니어들이 초기 데이터를 활용해 모델을 만들고, 이 모델이 향후 실험 결과를 예측할 수 있는지 살펴봅니다.

그다음 실험실에서 예측을 검증합니다. 결과가 일치하면 모델에 대한 신뢰도가 높아지고, 이를 활용해 새로운 조성을 평가할 수 있습니다. 결과가 일치하지 않으면 과학자들이 그 이유를 조사합니다. 때로는 모델에 더 많은 데이터가 필요합니다. 이 경우 완전히 새로운 실험을 설계하거나 서로 다른 조건에서 시험해야 합니다. 이렇게 얻은 결과를 모델에 다시 반영하고, 모델을 개선한 뒤 이 과정을 반복합니다.

AI가 독자적으로 새로운 소재를 발견할 수 있다는 기대가 크지만, 저희는 주장에 신중을 기합니다. 현재로서는 과학자들이 여전히 실험을 설계하고 핵심 결정을 내립니다. AI는 예측을 돕고, 실험실은 그 예측이 실제로 타당한지 확인합니다. 과학자들의 전문성과 AI를 결합한 덕분에 특정 실험 설계 작업에 필요한 시간을 몇 주에서 단 몇 분으로 크게 줄일 수 있었습니다.

과거 데이터에는 연구자들이 이전에 조사하기로 선택한 소재가 반영되어 있습니다. 모델이 이미 익숙한 영역에만 머무르지 않도록 하려면 어떻게 하나요? 또한 익숙하지 않은 화학 조성이 실제 실험을 진행할 만큼 유망한지는 어떻게 판단하나요?

정확히 핵심을 짚으셨습니다. 그래서 저는 저희 실험실이 데이터셋보다 더 큰 가치를 지닌다고 생각합니다.

모델은 주어진 데이터를 바탕으로 학습하므로, 이미 접한 내용을 예측할 때 더 신뢰할 수 있는 것은 당연합니다. 진정한 기회는 과거 데이터가 없을 수도 있는 완전히 새로운 화학 분야를 AI로 탐구하는 데 있습니다.

바로 이 점에서 저희 고처리량 플랫폼이 엄청난 이점을 제공합니다. 수백 가지 조성에 걸쳐 새로운 실험 데이터를 신속하고 신뢰성 있게 생성할 수 있어, 익숙하지 않은 화학 분야에서도 모델이 학습할 기반을 마련할 수 있습니다.

또한 예측을 실험실에서 검증하고, 그 결과를 모델에 반영한 뒤 이 과정을 반복할 수 있기 때문에 모델의 정확도를 지속적으로 높일 수 있습니다. 실험을 거듭할수록 다음 예측은 더 많은 정보를 바탕으로 이루어집니다.

저는 이것이 저희의 가장 큰 경쟁 우위라고 생각합니다. 저희에게는 18년간 축적한 과거 데이터가 있지만, 그 데이터에만 의존하지는 않습니다. 이전에 충분히 조사되지 않은 화학 분야를 탐구하는 데 필요한 새로운 데이터를 직접 생성할 수 있습니다.

자동화된 고처리량 실험만으로 얻는 성과를 넘어, AI가 특별히 기여한 개선을 어떻게 측정하나요? 모델이 더 나은 후보 물질을 찾거나 유용한 결과에 도달하는 데 필요한 실험 횟수를 줄였다는 점을 어떤 비교를 통해 확인하나요?

사실 답하기 어려운 질문입니다. 과학적 발견은 팀이 함께 이루는 일이기 때문입니다.

과학자들이 모여 문제를 논의하는 상황을 떠올려 보세요. 누군가 마침내 해결책을 내놓을 수도 있지만, 그 아이디어는 방 안의 모든 사람이 몇 시간 동안 논의한 끝에 나왔을 수 있습니다. 그렇다면 공은 누구에게 돌아가야 할까요?

AI도 비슷한 관점에서 바라봐야 한다고 생각합니다. AI는 연구팀의 또 다른 구성원입니다. 과학자들이 관련 정보를 더 빨리 찾고, 실험 데이터에서 패턴을 알아내며, 문제를 더 깊이 이해하도록 도울 수 있습니다.

저희 고처리량 플랫폼은 이미 실험을 신속하게 진행하는 데 엄청난 이점을 제공하고 있습니다. 이제 AI가 그 속도를 얼마나 더 끌어올릴 수 있는지 파악하고 있습니다. 제대로 뒷받침할 수 없는 수치를 제시하고 싶지는 않습니다. 중요한 것은 과학자들이 더 적은 시간과 실험으로 더 나은 답을 찾도록 돕고 있는지 여부입니다.

배터리 개발에서는 에너지 밀도, 수명, 안전성, 비용, 제조 가능성 등 서로 상충하는 목표를 고려해야 합니다. 이런 상충 관계를 AI의 목표로 어떻게 설정하나요? 또한 용도를 바꾸면 AI가 근본적으로 다른 소재를 찾도록 유도할 수 있나요?

배터리를 어디에 사용할지에 따라 실제로 달라집니다. 드론용 배터리와 전기차에 들어가는 배터리는 요구 조건이 매우 다릅니다. 어떤 용도에서는 에너지 밀도를 우선시하고, 다른 용도에서는 수명이나 비용을 더 중요하게 볼 수 있습니다.

이러한 목표는 상당히 명확하게 설정할 수 있습니다. 에너지 밀도, 수명, 안전성, 비용은 모두 측정할 수 있으므로, 용도에 따라 모델에 구체적인 성능 목표를 제시할 수 있습니다.

어려운 점은 이러한 목표를 거꾸로 추적해 실제로 이를 달성할 수 있는 소재를 찾는 것입니다.

응용 분야를 바꾸면 연구할 소재도 당연히 달라질 수 있습니다. 하지만 어떤 화학 조성이 유망한지 판단하고, 실험을 설계하며, 해당 소재가 성능 목표를 달성할 수 있는지 시험하는 일은 여전히 과학자들의 몫입니다.

Holyvolt는 니켈과 코발트를 사용하지 않는 무질서 암염(DRX) 양극 소재를 상용화 단계로 발전시키고 있습니다. 이 과정에서 AI는 어떤 역할을 했으며, 소재 발굴을 넘어 제조나 엔지니어링 솔루션이 필요한 과제로는 어떤 것들이 남아 있나요?

DRX는 우리의 접근 방식이 중요한 이유를 잘 보여주는 사례입니다. 가능한 소재 조합이 엄청나게 많아 하나씩 시험하려면 수년이 걸릴 수 있습니다.

Holyvolt의 고속 실험 플랫폼을 이용하면 수백 가지의 서로 다른 배합을 빠르게 시험하고, 화학 조성의 변화가 에너지 밀도, 전압, 배터리 수명 및 성능에 어떤 영향을 미치는지 파악할 수 있습니다. 기존 연구 방식으로는 불가능했을 속도로 유망한 소재를 찾아낼 수 있었습니다.

이제 실험 데이터를 머신러닝과 결합해 패턴을 찾아내고, 과학자들이 다음에 어떤 배합을 탐구할지 결정하도록 돕고 있습니다. 실험을 많이 할수록 더 많은 것을 배우고, 향후 실험의 방향도 더 잘 잡을 수 있습니다.

이미 상업 규모 생산을 향해 진전을 이루고 있으며, 가장 큰 강점 중 하나는 이미 확립된 제조 공정을 활용한다는 점입니다. 완전히 새로운 장비를 개발하거나 소재 생산 방식을 처음부터 다시 고안할 필요가 없습니다. 성능의 일관성과 경쟁력 있는 비용을 유지하면서 파트너사와 함께 생산 규모를 확대하는 데 주력하고 있습니다.

독점적인 과학 데이터가 모델 자체보다 더 강력한 경쟁 우위가 될 수 있다고 말씀하셨습니다. 시간이 지날수록 그 우위가 누적되는 이유는 무엇이며, 고객 프로젝트 전반에서 얻은 지식을 활용하는 동시에 각 고객의 기밀 연구와 지식재산권을 보호하는 일은 어떻게 조율하시나요?

오늘날 이용할 수 있는 가장 강력한 AI 모델 중 일부는 오픈 소스이며, 성능도 계속 향상되고 있습니다. 하지만 18년간 축적된 배터리 연구 자료를 단순히 내려받을 수는 없습니다. 그래서 우리의 데이터가 매우 가치 있는 것입니다.

Holyvolt에서는 500,000개가 넘는 배터리 셀을 대상으로 165 million회가 넘는 사이클에 걸쳐 시험을 진행했습니다. 어떤 소재를 사용했는지, 어떻게 가공했는지, 성능은 어땠는지, 어떤 지점에서 고장이 났는지 알고 있습니다. 또한 그 모든 기간에 걸쳐 일관된 시험 방법을 적용했기 때문에 결과를 실제로 비교할 수 있습니다. 다른 누구도 이를 재현하기란 대단히 어렵습니다.

모든 실험은 우리에게 무언가를 가르쳐 줍니다. 그 지식은 모델을 개선하고, 더 나은 예측을 하며, 다음에 무엇을 시험할지 결정하는 데 도움이 됩니다. 실험을 더 많이 진행할수록 그 기반은 더욱 가치 있어집니다.

또한 세계 유수의 기업들과 협력하고 있으며, 이들은 민감한 연구 자료를 우리에게 맡깁니다. 우리는 그 책임을 엄중하게 받아들이며, 기밀 정보와 지식재산권을 보호하기 위한 강력한 보안 조치를 마련해 두었습니다.

플랫폼을 확장하는 과정에서 오늘날 더 빠른 소재 발굴을 가로막는 가장 큰 제약은 무엇인가요? 모델의 역량, 실험 처리 능력, 배터리 수명을 검증하는 데 필요한 시간, 아니면 다른 요인인가요? 향후 2년 동안 어떤 측정 가능한 성과가 AI가 배터리 개발의 경제성을 바꾸고 있음을 보여줄 수 있을까요?

오늘날 가장 큰 병목은 과학자들이 실험을 설계하고 결과를 분석하는 데 들이는 시간이라고 생각합니다.

전통적인 연구 과정을 생각해 보세요. 과학자가 질문을 던지고, 실험을 설계하고, 시험을 진행한 다음 데이터를 분석하고, 이어서 무엇을 시도할지 결정합니다. 고속 실험 플랫폼을 통해 물리적인 시험의 상당 부분은 이미 자동화했지만, 각 단계 사이에 필요한 판단에는 여전히 엄청난 시간이 듭니다.

최근에는 비교적 단순한 AI 모델을 실험 설계 과정의 일부에 적용했습니다. 보통 6주가 걸리는 작업을 8분 만에 마쳤습니다. 정말 놀라운 결과이며, 무엇이 가능한지 보여줍니다.

하지만 실험 설계의 속도를 높이는 것은 시작에 불과합니다. AI가 무엇을 시험할지 더 빠르게 파악하도록 도와주는 만큼, 실험을 진행하는 속도도 높여야 합니다. 그래서 실험실의 역량을 확대하고 자동화에 추가로 투자할 계획입니다.

향후 2년 동안 최초의 아이디어에서 검증된 소재에 이르기까지 전체 발굴 과정을 획기적으로 가속하고 싶습니다. 더 빠른 의사결정과 더 많은 실험을 진행할 수 있는 역량을 결합한다면, 이전에는 불가능했던 속도로 새로운 화학 조성을 탐구할 수 있습니다. AI는 이런 방식으로 배터리 개발의 경제성을 근본적으로 바꿀 수 있습니다.

멋진 인터뷰에 감사드립니다. 배터리 소재, 고속 실험, AI 기반 에너지 기술 개발에 대해 더 알아보고 싶은 독자라면 Holyvolt를 방문해 보시기 바랍니다.

앙투안은 Unite.AI의 비전 있는 리더이자 창립 파트너로, AI와 로봇공학의 미래를 만들어 가고 발전시키는 데 변함없는 열정을 쏟고 있습니다. 여러 기업을 창업한 그는 AI가 전기만큼 사회를 크게 변화시킬 것이라고 믿으며, 혁신적인 기술과 범용 인공지능(AGI)의 잠재력에 관해 자주 열정적으로 이야기합니다.

미래학자로서 이러한 혁신이 세상을 어떻게 바꿀지 탐구하는 데 전념하고 있습니다. 또한 미래를 새롭게 정의하고 산업 전반을 변화시키는 첨단 기술에 대한 투자에 초점을 맞춘 플랫폼인 Securities.io의 설립자입니다.