96 이러한 상호작용은 배터리 설계에서 효과적인 인간-AI ​​협업의 좋은 예시이며, 필요한 경우 인간의 감독 하에 결과를 검증하고 조정할 수 있습니다. 그림 7C 에서 볼 수 있듯이 , 생성 및 검증된 배터리 설계 매개변수를 활용하여 LLM은 배터리 제조에 필요한 재료 비율, 전극 제조 공정, 조립 절차, 환경 요구 사항, 장비 사양 및 성능 테스트 매개변수를 생성할 수 있습니다. 또한, 일부 자동화 장비의 경우 LLM은 공정 매개변수를 기반으로 기계 실행 가능 스크립트를 생성하여 자동화된 재료 준비를 구현할 수 있습니다. 97 이러한 스크립트는 혼합, 코팅, 건조, 캘린더링, 슬리팅, 적층, 조립, 전해액 주입, 성형 및 노화 등 생산 라인의 각 단계에 자동으로 전달됩니다. 98 , 99

그림 7 배터리용 지능형 설계 및 제조 워크플로의 LLM

전체 캡션 표시

피규어 뷰어

배터리 설계에서 LLM(대형 모델)은 지식 그래프 기반 파라미터 최적화와 다중 모드 협업 설계라는 두 가지 측면에서 기술 서비스를 제공할 수 있습니다. LLM은 물리적 설계를 직접 수행하거나 엔지니어링 도면을 작성할 수는 없지만, 전 세계 배터리 연구 논문, 특허 데이터베이스, 기업의 과거 데이터를 통합하여 다중 모드 전기화학 지식 그래프를 구축할 수 있습니다. ¹⁰⁰ LLM의 인과 추론 능력을 기반으로 에너지 밀도 및 고속 충전 속도와 같은 특정 요구 사항을 충족하는 전극 재료 선택 및 구조 설계 방안을 자동으로 생성할 수 있습니다.