지난 5월 14일, 서울 강서구 마곡 LG사이언스파크에서 개최된 ‘LG Tech Conference 2026’에서는 AI·로봇·모빌리티·전지·재료/소재·통신 등 다양한 분야의 최신 기술이 소개되었습니다. LG에너지솔루션도 미래 이공계 인재들과 만나 최신 기술과 비전을 나누는 자리를 가졌는데요.
특히 AI가 산업 전반의 핵심 화두로 떠오르고 있는 만큼, 제조업 분야인 배터리 산업에서 AI를 어떻게 활용하고 있는지는 참가자들의 큰 관심을 모았습니다. LG에너지솔루션은 300PB 분량의 엄청난 데이터와 최고의 제조업 전문 AI 전문가들 및 연구 인프라를 바탕으로 업계를 선도하고 있습니다.
이번 시간에는 윤정석 상무님과 임준호 연구위원님의 ‘Virtual Lab to Dark Factory: AI, 배터리의 미래를 현실로 만들다’ 세션을 통해, LG에너지솔루션이 배터리 산업에서 AI를 어떻게 활용하고 있는지 살펴보겠습니다.
수많은 변수가 맞물리는 배터리 산업, AI가 경쟁력이 되는 이유
배터리 회사가 마주한 고민들 중 하나는 ‘고객의 다양한 요구사항을 꾸준히 반영해야 한다’는 점입니다. 특히 배터리 산업은 수많은 기술의 집약체이면서도, 신기술이 매우 빠르게 등장하는 분야입니다. 때문에 고객의 요구 스펙과 다양한 변수 제어, 가격, 신기술의 적용까지 모든 요소를 분석하여 최적의 디자인을 고객에게 제안하는 것은 상당히 어려운 작업입니다.
이러한 고민은 여러 단계에서 지속적으로 발생합니다. 먼저 개발 단계에서는 수천 개에 달하는 개별 고객의 요구사항을 제품에 정밀하게 반영해야 합니다. 이를 기반으로 수백 개의 파라미터(Parameter, 매개변수)를 검토·조정해야 하죠. 즉 단시간에 복잡한 요구사항을 기술적으로 분석하여 최적화된 결과를 도출하는 것이 중요합니다.
제조 단계에서는 대규모 생산 라인을 안정적으로 운영하는 것이 핵심입니다. 대량의 배터리 셀을 동일한 품질로 생산해야 하기 때문입니다. 배터리 생산 라인 하나의 길이는 800~900m에 달하며, 약 5,000대의 설비들이 유기적으로 연결되어 있습니다. 이렇게 복잡한 환경에서는 작은 변수도 제품 전체 품질에 영향을 줄 수 있기 때문에, 공정 전반을 정밀하게 제어하는 역량이 필요합니다.
더욱 정밀한 분석과 효율적인 결과 도출을 위해, LG에너지솔루션은 R&D 및 제조 과정 전반에 AI를 적용하고 있습니다. R&D 영역에서는 버추얼 랩(Virtual Laboratory)을, 제조 영역에서는 다크 팩토리(Dark Factory) 고도화를 추진하고 있죠.
버추얼 랩, 배터리 R&D를 가상 환경으로 확장하다
기존 R&D는 인간이 가설을 세우고 샘플을 만든 뒤, 실험으로 검증하며 진행됐습니다. 하지만 사람이 모든 후보 물질과 설계 조건을 직접 실험하기에는 한계가 있었죠. 또한 이 방식에서는 엔지니어의 경험과 역량에 R&D의 질이 크게 좌우되었습니다.
이를 해결하기 위해 등장한 방식이 ‘버추얼 랩(Virtual Lab)’입니다. 버추얼 랩은 가상 환경에서 AI와 시뮬레이션을 활용해 소재 탐색, 제품 설계, 성능 예측 등을 수행하는 방식입니다. 이를 통해 ‘일관된 품질’의 설계를 이어갈 수 있으며, R&D의 시행착오를 획기적으로 줄일 수 있습니다.
LG에너지솔루션은 버추얼 랩을 △신소재 개발 △최적 제품 설계 △평가·분석 효율화 △성능·수명 조기 예측 등 다양한 영역에서 활용하고 있습니다.
버추얼 랩 1) AI로 신소재 후보를 선별하다
신소재 개발에서 가장 큰 과제는 방대한 후보 물질 중에서 적합한 소재를 찾아내는 것입니다. 후보 물질은 보통 수십만 개에서 많게는 수천만 개에 이르는데요. 과거에는 연구자가 반복적인 실험을 통해 적합한 소재를 찾는 에디슨식 접근법(Edisonian Approach)에 의존했습니다. 그러나 수많은 후보군을 일일이 실험으로 검토하기에는 분명한 한계가 있습니다.
LG에너지솔루션은 이 과정을 효율화하기 위해 계산과학(Computational Science)1 기반 소재 탐색을 AI로 자동화하고 있습니다. AI에 원하는 물질의 조건을 입력하면, 화학적 물성을 예측하고 여러 번의 스크리닝(Screening)을 거쳐 적합한 후보 물질을 추려냅니다. 이때 AI는 축적한 실험 데이터와 외부에 공개된 특허·논문 데이터까지 참고하는데요. 사람이 직접 검토하기 어려운 방대한 후보군을 AI가 빠르게 탐색하면서, 요구 조건에 적합한 물질을 우선적으로 선별할 수 있게 됩니다.
버추얼 랩 2) One Day RFx로 최적 설계안을 빠르게 찾다
배터리 설계는 고객사가 요구하는 용량, 수명, 급속 충전 시간, 원가 등 여러 조건을 동시에 만족시켜야 하는 고난도 작업입니다. 기존에는 후보 설계안을 만들어 시뮬레이터(Simulator)로 성능을 예측하고, 조건을 반복적으로 조정하며 결과를 확인했습니다. 이렇게 수 주의 기간이 필요했던 기존 설계 방식을, AI를 활용하여 1일 이내로 단축하는 것을 목표로 진행된 프로젝트가 ‘One Day RFx2’입니다.
초반에는 먼저 시뮬레이터를 활용해 설계인자와 성능인자를 데이터베이스화했습니다. 목표 성능인자를 입력하면 그에 맞는 설계인자가 나오도록 AI를 학습하는 단순한 접근을 시도했죠. 하지만 특정 성능을 만족시키는 설계는 너무도 다양하다는 문제가 있었습니다. 때문에 이 접근법의 결과는, 특정 성능을 만족하는 여러 설계안의 평균값으로 수렴하는 한계가 있었습니다.
이를 해결하고자 Many to One 구조를 적용한 ‘설계 AI 툴킷(Toolkit)’을 적용했습니다. 이 AI 툴킷에서는 설계인자와 성능인자의 일대일 매칭을 통해 설계와 성능의 관계를 학습합니다. 이후 목표 성능에 가까워지도록 설계 조건을 반복적으로 조정하며 결과를 확인합니다. 쉽게 말해, 원하는 배터리 성능을 먼저 정하면 AI가 그 조건에 맞는 설계 방향을 거꾸로 찾아가는 방식입니다. 다만 한 번에 하나의 결과만을 도출하는 구조이기 때문에, 다양한 후보 설계안을 빠르게 확보하고 비교하는 데에는 한계가 있었습니다.
그래서 저희는 설계 AI 툴킷에 생성형 AI(Gen AI)를 결합했습니다. 1차적으로 생성형 AI를 활용해 목표 성능에 맞는 다양한 설계 후보를 확보하고, 이어지는 단계에서 설계 AI 툴킷이 이 설계 후보들을 정밀하게 보정하는 방식으로 고도화한 것입니다. 이를 통해 여러 최적 설계 후보군을 빠르게 비교할 수 있게 됐습니다.
이 설계 AI 툴킷을 다양한 성능 조건을 한꺼번에 만족하는 최적 설계안을 찾아내는 구조로 확장하고 있습니다. 셀 성능뿐 아니라 모듈 성능, 수명, 급속 충전 시간, 원가까지 함께 고려하기 위해서인데요. 이를 위해 개별 특성 단위의 시뮬레이터를 모두 연결하고, 이들을 함께 학습시키는 네트워크 공유(Network Sharing) 방식을 적용했습니다. 그 결과 약 2~4주가 걸리던 설계안 도출 과정을 1일 이내로 단축할 수 있었습니다.
버추얼 랩 3) 평가·분석 효율을 높이고 성능 사전 예측까지
제품 개발 이후에는 실제 목표 성능이 구현되는지 평가하고 분석하는 과정이 필요합니다. LG에너지솔루션은 이 과정을 비전(Vision) AI 분석 기술을 활용해 속도와 정확도를 높이고 있습니다.
대표적인 사례는 분리막 이미지 분석입니다. 일반적으로 분리막의 균일도나 형태, 분포 등을 확인하기 위해 전자 현미경으로 촬영한 이미지를 활용합니다. 이미지의 전 구간을 사람이 일일이 확인할 수는 없기 때문에, 기존에는 일부 구간을 연구원이 직접 확인하고, 이를 확장하여 전체 입자 분포를 추정했습니다. 하지만 현재는 비전 기술을 이용해 분석을 자동화하였습니다. 비전 AI가 이미지 속 입자를 자동으로 인식하고, 크기와 형태별로 분류해 예상 분포를 정량화하여 제시해주죠.
또한 축적된 입자 분포 데이터와 시뮬레이션 기술을 결합해, 어떤 분포에서 더 높은 에너지 밀도를 낼 수 있는지 사전에 예측합니다. 이를 통해 실제 실험에 앞서 소재 개발 방향을 검토하고, 성능 검증 과정을 더 빠르게 진행할 수 있습니다.
다크 팩토리, 데이터 기반으로 관리하는 지능형 공장
다크 팩토리(Dark Factory)란 무엇일까요? 다크 팩토리는 ‘불이 꺼지고도 운영되는 공장’을 뜻합니다. 높은 자동화를 통해 사람이 공정을 직접 관리하지 않아도, AI가 데이터를 기반으로 제조 과정을 제어하고 운영하는 것이죠. 스마트 팩토리(Smart Factory)에서 한층 나아간 형태로, 높은 수준의 AI 기반 시스템 자동화를 수행하여 더욱 정밀한 제조 현장 운영이 가능합니다.
LG에너지솔루션은 스마트 팩토리 및 AI 고도화를 통한 다크 팩토리 구현에 힘쓰고 있습니다. 이를 위해 △불량 유출 방지 △제조 운영 최적화 △공정 자동 보정 △설비 이상 감지 등 다양한 영역에 AI 기술을 적용하고 있습니다.
다크 팩토리 1) AI로 제조 공정의 불량을 실시간 감지하다
과거에는 배터리가 완성된 뒤 최종 검사 단계에서 성능을 확인하고, 품질 기준을 충족하지 못한 제품을 분류했습니다. 현재는 공정 곳곳에 비전(Vision) 검사기와 계측기를 배치해 CTQ(Critical to Quality)3 값을 생산 과정에서 실시간으로 확인하는데요. 불량 가능성을 사전에 감지함으로써 품질 관리와 제조 효율을 함께 높이고 있습니다.
이러한 기술들의 실제 활용 사례는 초음파 용접 공정과 음극 코팅 공정에서 확인할 수 있습니다. 초음파 용접 공정에서는 AI가 카메라 영상을 실시간으로 분석해, 전극의 찢어짐이나 벌어짐 같은 미세 결함을 잡아냅니다. 또 음극 코팅 공정에서는 롤을 풀어내는(Unwinding) 과정에서 발생할 수 있는 전극 손상을 AI가 사전에 감지합니다.
비전 검사 AI는 어떻게 신규 불량까지 감지할까?
이 비전 검사 AI를 개발하기 위해 LG에너지솔루션은 여러 기술적 과제를 해결해야 했습니다.
가장 먼저 해결해야 했던 과제는 도메인 시프트(Domain Shift)였습니다. 도메인 시프트는 AI가 학습할 때 보았던 데이터 환경과 실제로 적용되는 데이터 환경이 달라 성능이 저하되는 현상입니다. 현장의 조명 밝기나 공정 조건이 달라지면서, 불량을 놓치거나 정상 제품을 불량으로 판단하는 등 검사 성능이 떨어질 수 있죠. 이를 보완하려면 새로운 데이터로 AI를 지속적으로 학습시켜야 합니다. 하지만 새로운 데이터를 계속해서 투입하기에는 정상·불량 여부와 결함 위치를 사람이 직접 표시하는 데이터 라벨링(Labeling)에 많은 시간과 비용이 필요합니다.
LG에너지솔루션은 이러한 부담을 줄이기 위해 AI 비전 검사 기술을 단계적으로 고도화했습니다. 먼저 AI가 판단하기 어려워하는 데이터만 선별해 사람이 검토하는 방식을 적용했습니다. 이는 처음부터 모든 불량을 라벨링하는 것보다 효율적이었지만, 학습 데이터에 없던 신규 불량을 놓칠 수 있다는 한계가 있었습니다.
이에 도입한 기술이 비주얼 프롬프팅(Visual Prompting)*입니다. 이미지의 특정 부분을 예시로 학습한 AI에 타겟 이미지를 넣으면, 학습된 이미지와 유사한 부분을 찾아내는 방식인데요. 이는 대규모 학습 데이터 없이도 신규 불량을 찾을 수 있다는 장점이 있습니다. 하지만 배터리 공정의 미세 결함은 정상과 불량의 차이가 매우 작아서, 정상 영역을 불량으로 잘못 잡아내는 오검출 문제가 있었죠.
*“AI 기술로 불량 유출은 줄이고, 업무 효율성은 대폭 늘렸죠”_ECCV 2024 Challenge 수상자 김건욱 님 인터뷰 1편 보러가기
이에 LG에너지솔루션은 이미지를 분석하는 관점을 바꿨습니다. 핵심은 결함이 만들어내는 미세한 패턴 변화에 집중하는 것이었죠. 미세 스크래치 같은 결함은 좁은 영역에서 밝기와 색이 급격히 변하는 특성이 있는데요. 일반적인 이미지 분석으로는 잘 드러나지 않지만, 이미지를 주파수 신호(Frequency)로 분해해서 보면 이런 급격한 변화가 또렷하게 드러납니다.
여기에 이미지를 벡터(Vector) 형태로 변환한 뒤 방향 정보(Angular) 중심으로 분석하는 방식도 함께 활용했습니다. 이때 이미지의 명암을 배제하고 벡터의 방향만 보면 조명에 영향을 받지 않고 본질적인 특징을 포착할 수 있습니다. 마지막으로 대조 학습(Contrastive Learning)4을 결합해, 미세 결함을 더 명확히 구분할 수 있도록 했습니다. 그 결과, 전수 육안 라벨링 대비 소요 시간을 약 99% 줄일 수 있었고, 관련 논문은 컴퓨터 비전 분야 최상위 학회 중 하나인 CVPR 2026에서 채택되었습니다.*
* Kim, G. 외. (2026). UniSpector: Towards universal open-set defect recognition via spectral-contrastive visual prompting. CVPR 2026.
다크 팩토리 2) AI로 제조 환경을 최적화하다
배터리는 제조 환경에 민감하게 반응하기 때문에, 다양한 조건을 일정하게 관리해야 합니다. 특히 배터리는 습도에 민감한데요. 이를 컨트롤하기 위해 제조 공정 중에는 실내 공기의 온도와 습도를 조절하는 공조 설비(Air Handling Unit)가 가동됩니다. 하지만 외부 날씨나 계절 조건과 관계없이 공조 설비를 항상 높은 수준으로 가동하면, 에너지 사용량이 크게 늘어나 운영 비용이 지나치게 많이 발생하게 됩니다.
LG에너지솔루션은 공조 설비의 운영 데이터와 다양한 조건에서의 운전 실험 결과를 수집하고, 이를 바탕으로 AI 기반 공조 설비 성능 예측 모델을 개발했습니다. 외부 조건을 반영한 시뮬레이션으로 최적 제어 방안을 도출하고, 무인 운영 상태에서도 설비 조건을 자동 조정하는 시스템인데요. 이를 통해 연간 약 100억 원 이상의 에너지 비용을 절감할 수 있었습니다.
다크 팩토리 3) 공정 자동으로 보정과 미래 기술 도입까지
공정 자동 보정은 사람의 경험에 의존하던 미세 조정 영역을 AI가 지원하는 방식입니다. 예를 들어 음극재 슬러리(Slurry)를 동박에 코팅한 뒤, 건조 공정을 거치게 되는데요. 이때 온도가 너무 높으면 소재가 손상될 수 있고, 너무 낮으면 충분히 건조되지 않아 정밀한 온도 제어가 필요합니다.
LG에너지솔루션은 자동 보정 AI 에이전트를 통해 건조로 내부 가스 상태, 코팅된 슬러리 두께 등 다양한 공정 데이터를 분석하고, 최적의 설비 세팅값을 추천하거나 자동으로 조정하도록 하고 있습니다. 이를 통해 품질 편차를 줄이고 공정을 더 안정적으로 운영할 수 있게 됐습니다.
또한 다양한 이상 감지 기술과 함께, 사족보행 로봇과 휴머노이드 로봇을 활용한 첨단 기술 도입을 연구, 개발하고 있습니다. 사족보행 로봇이 공장 내 설비 사이를 이동하며 이상 유무를 확인하고, 이상이 발견되면 휴머노이드 로봇이 설비 부품 교체 같은 후속 작업을 수행하는 방식입니다. 이는 사람이 접근하기 어려운 고온이나 위험 구역에서도 안정적으로 설비를 관리하기 위한 시도입니다.
핵심 Q&A
Q. 배터리 산업에서 AI가 필요한 이유는 무엇인가요?
배터리는 고객 요구사항, 설계 조건, 제조 공정 변수가 복잡하게 맞물리는 제품입니다. AI는 최적 설계와 정밀한 제조 관리를 더 빠르게 수행하는 데 필요합니다.
Q. 버추얼 랩은 무엇인가요?
버추얼 랩은 AI와 시뮬레이션으로 소재 탐색, 제품 설계, 성능 예측을 가상 환경에서 먼저 검토하는 R&D 방식입니다.
Q. 다크 팩토리는 무엇인가요?
다크 팩토리는 설비와 AI가 데이터를 기반으로 제조 과정을 판단하고 제어하는 지능형 자동화 공장입니다.
Q. LG에너지솔루션은 AI를 어떻게 활용하고 있나요?
LG에너지솔루션은 R&D에서는 버추얼 랩으로 설계·성능 예측을 고도화하고, 제조에서는 다크 팩토리로 품질 관리와 제조 효율을 높이고 있습니다.
버추얼 랩과 다크 팩토리는 별개의 영역이 아닙니다. 다크 팩토리에서 수집되는 방대한 양산 데이터는 다시 버추얼 랩의 설계 모델로 피드백되고, 버추얼 랩이 도출한 최적 설계는 다크 팩토리에서 더 정밀하게 구현됩니다. 설계 단계부터 제조 가능성을 함께 고려하는 선순환 구조임을 알 수 있죠.
LG에너지솔루션은 R&D의 버추얼 랩에서 시작해 제조의 다크 팩토리로 이어지는 AI 혁신을 확장하며, 배터리 개발과 생산 전반의 경쟁력을 높여가고 있습니다. 앞으로도 AI를 통해 배터리 산업의 새로운 패러다임을 만들어가겠습니다.
- 계산과학(Computational Science): 과학이나 공학 분야의 문제에 대하여 수치해석과 컴퓨터 계산을 이용하여 해결하는 방법을 연구하는 학문 ↩︎
- RFx (Request for X) : 고객이 원하는 배터리 소재, 스펙 등의 요구 사항과 견적을 검토할 수 있는 문서 ↩︎
- CTQ(Critical To Quality) : 고객의 관점에서 결정적으로 중요한 품질 특성, 핵심 품질 항목 ↩︎
- 대조 학습(Contrastive Learning): 데이터 분석을 위한 공간을 새롭게 설계하고, 특징 벡터 간의 유사도를 극대화하여 비슷한 개체끼리 강하게 군집화하는 학습법 ↩︎
