Interpreting AI for Fusion: an application to Plasma Profile Analysis for Tearing Mode Stability

이 논문은 DIII-D 실험을 통해 검증된 샤플리 (Shapley) 분석 기반의 해석 프레임워크를 제시하여, AI 모델이 토카막의 전류 붕괴 (TM) 안정성 예측에 있어 회전 및 전자 온도 프로파일의 핵심 역할을 규명하고 물리학적 이해와 불투명한 머신러닝 모델 간의 간극을 해소함을 보여줍니다.

핵심

1. 배경: 핵융합과 '불안정한 장난감'

핵융합 발전소는 태양처럼 뜨거운 플라즈마 (전하를 띤 기체) 를 가두어 에너지를 만드는 기술입니다. 하지만 이 플라즈마는 매우 불안정해서, 마치 미끄러운 얼음 위에서 서 있는 아이처럼 쉽게 넘어질 수 있습니다. 이를 '티어링 모드 (Tearing Mode)'라고 하는데, 플라즈마가 찢어지듯 불안정해지면 발전이 멈추거나 장치가 손상될 수 있습니다.

2. 문제: '블랙박스' AI 의 딜레마

최근 연구자들은 이 불안정함을 미리 예측하기 위해 AI를 도입했습니다. AI 는 과거 데이터를 학습해서 "지금 이 상태면 곧 넘어질 거야!"라고 1 초 전에 미리 알려주면, 자동으로 제어 장치를 작동시켜 안정화시킬 수 있습니다.

하지만 여기서 큰 문제가 생겼습니다.

• AI 는 너무 똑똑하지만, 설명을 못 합니다. (블랙박스)
• "왜 넘어질 거라고 했어?"라고 물으면 AI 는 "그냥 계산상 그렇다"라고만 답합니다.
• 핵융합 발전소처럼 위험한 곳에서는 "왜?"라는 질문에 명확한 답이 없으면 신뢰할 수 없습니다. "AI 가 말하니까 믿자"는 식으로는 안전을 장담할 수 없기 때문입니다.

3. 해결책: AI 의 '생각 과정'을 해석하는 안경 (Shapley 분석)

이 논문은 AI 가 블랙박스일지라도, 어떤 데이터를 보고 '위험하다'고 판단했는지 그 이유를 찾아내는 방법을 개발했습니다. 이를 **'Shapley(샤플리) 분석'**이라고 합니다.

비유로 설명하면:

AI 는 수석 요리사입니다. 요리사가 "이 요리는 맛이 없을 거야"라고 했을 때, 우리는 왜 그런지 궁금합니다.

• "소금이 너무 많아서?"
• "고기가 상해서?"
• "양념이 부족해서?"

Shapley 분석은 이 요리사의 생각 과정을 분석해, **"소금 (밀도) 보다는 고기 온도 (전자 온도) 가 훨씬 더 맛없게 만들었어"**라고 정확히 알려주는 도구입니다.

4. 실험: DIII-D 장치에서의 성공적인 테스트

연구진은 미국 DIII-D 라는 핵융합 실험 장치에서 이 방법을 시험해 보았습니다.

1. 상황: 플라즈마가 찢어지기 직전의 위험한 상태가 되었습니다.
2. AI 의 예측: AI 가 "곧 찢어질 거야!"라고 경고했습니다.
3. 해석 (Shapley 분석): AI 가 왜 위험하다고 했는지 분석해 보니, 플라즈마의 '전자 온도'가 너무 높고, '회전 속도'가 부족해서라고 결론이 나왔습니다.
4. 대응: 연구진은 AI 의 조언을 믿고, 특정 위치에 에너지를 쏘아 (가열) 플라즈마의 온도와 회전 상태를 조절했습니다.
5. 결과: 플라즈마는 찢어지지 않고 안정적으로 유지되었습니다. AI 가 예측한 대로, 그리고 AI 가 지적한 이유대로 대응했기 때문입니다.

5. 중요한 발견 (AI 가 알려준 새로운 사실)

이 분석을 통해 과학자들이 몰랐던, 혹은 헷갈려하던 새로운 사실들도 발견했습니다.

• 온도의 함정: 보통 "온도가 높으면 불안정할 것"이라고 생각하지만, AI 는 핵심부의 전자 온도가 높을수록 찢어질 확률이 급격히 올라간다고 했습니다.
• 회전의 중요성: 플라즈마가 빠르게 회전하면 안정화됩니다. 마치 빠르게 돌아가는 팽이가 넘어지지 않는 것과 같습니다.
• 밀도의 역할: 밀도가 높으면 약하게 불안정하게 만들지만, 온도와 회전보다는 영향력이 작았습니다.

6. 결론: 신뢰할 수 있는 미래

이 연구는 **"AI 가 예측한 결과를 맹신하는 것이 아니라, AI 가 어떤 물리 법칙을 근거로 예측했는지 인간이 이해하고 검증할 수 있다"**는 것을 증명했습니다.

앞으로 핵융합 발전소가 상용화되려면, AI 가 "위험하다"고 말할 때 "왜 위험한지, 어떻게 고쳐야 하는지"를 인간이 이해할 수 있어야 합니다. 이 논문은 그 **'AI 와 인간 사이의 신뢰를 잇는 다리'**를 놓는 첫걸음입니다.

한 줄 요약:

"AI 가 핵융합 플라즈마가 찢어질 거라고 경고할 때, 우리는 이제 '왜' 찢어질지, 그리고 '어떻게' 고쳐야 할지 AI 의 생각 과정을 통해 명확하게 알 수 있게 되었습니다."

기술 요약

1. 연구 배경 및 문제 제기 (Problem)

• 핵심 문제: 토카막 핵융합 장치에서 플라즈마 불안정성 (자르기 모드, TM, ELM, 붕괴 등) 을 예측하기 위해 머신러닝 (ML) 및 인공지능 (AI) 모델이 활발히 적용되고 있습니다. 그러나 이러한 모델들은 대부분 '블랙박스 (Black-box)' 특성을 가지며, 왜 특정 예측을 내렸는지에 대한 물리적 근거를 제공하지 못합니다.
• 안전성 우려: 차세대 핵융합 발전소에서는 제어 시스템의 투명성과 신뢰성이 필수적입니다. 제어 동작의 원인을 직접적으로 플라즈마 관측치와 연결할 수 있는 해석 가능한 (Interpretable) 제어 시스템이 필요하지만, 기존 고도화된 ML 모델은 이를 제공하지 못합니다.
• 기존 접근법의 한계: 해석 가능성을 높이기 위해 모델 구조를 단순화 (Gray-box) 하면 정확도가 떨어지고, 복잡한 신경망 (Black-box) 을 사용하면 정확도는 높지만 해석이 불가능합니다.

2. 방법론 (Methodology)

이 논문은 블랙박스 모델을 변경하지 않고, 해석 프레임워크를 조정하여 모델의 예측 근거를 규명하는 새로운 접근법을 제시합니다.

• 예측 모델: DIII-D 장치의 실시간 플라즈마 프로파일을 기반으로 자르기 모드 (TM) 발생을 예측하는 딥 서브벌 머신 (Deep Survival Machine, DSM) 모델을 사용했습니다.
  • 데이터: DIII-D 의 140,000~195,000 번 샷 중 6,050 개의 샷 (1476 개는 TM 발생 포함) 을 학습에 사용했습니다.
  • 입력 변수: 전자/이온 온도, 밀도, 회전, 압력, 안전계수 (q), 전류 밀도 등의 실시간 프로파일 (RTCAKENN) 과 외부 가열 (NBI, ECH) 및 EFIT 재구성 파라미터 등 총 42 개 파라미터.
  • 학습 방식: 생존 회귀 (Survival Regression) 를 적용하여, 특정 시간 내에 TM 이 발생할 확률과 발생 시점을 예측합니다.
• 해석 기법: **Shapley 분석 (Shapley Analysis)**을 적용했습니다.
  • 게임 이론 기반의 이 방법으로, 모델의 예측 결과에 각 입력 변수 (플라즈마 프로파일) 가 얼마나 기여했는지를 공정하게 분배하여 계산합니다.
  • 이를 통해 특정 프로파일 변화 (예: 회전 피킹, 온도 상승) 가 TM 안정성에 미치는 영향을 정량화했습니다.
• 검증 실험: DIII-D 에서 수행된 선제적 TM 억제 (Preemptive TM Suppression) 실험 데이터를 활용하여 모델을 검증하고 해석했습니다.

3. 주요 기여 및 결과 (Key Contributions & Results)

A. 모델 성능 및 실험 검증

• 높은 예측 정확도: 개발된 TM 예측 모델은 AUROC 점수 0.85 를 기록했으며, TM 발생 약 1,000ms 전에 경고할 수 있어 제어 액추에이터 (ECH 등) 가 작동하기에 충분한 시간을 확보했습니다.
• 선제적 억제 성공: 예측된 TM 위험에 따라 전자 사이클로트론 가열 (ECH) 의 침적 위치를 $q=2$ 표면으로 변경하여, TM 발생을 성공적으로 억제하고 안정적인 플라즈마 운전을 실현했습니다.

B. Shapley 분석을 통한 물리적 통찰

모델의 '블랙박스' 특성을 해석하여 다음과 같은 구체적인 물리적 인사이트를 도출했습니다.

1. 주요 불안정 요인:

   • 코어 전자 온도 ($T_e$): 코어 영역의 $T_e$가 높을수록 TM 불안정성을 유발하는 가장 강력한 요인으로 확인되었습니다.
   • 회전 프로파일: 코어 회전 (Core Rotation) 이 증가하면 안정화 효과가 나타나지만, 가장자리 회전은 오히려 불안정화 요인이 될 수 있어 **회전 기울기 (Rotation Gradient)**의 중요성이 부각되었습니다.
   • 밀도 프로파일: 평균 밀도보다는 밀도 프로파일의 피킹 (Peaking) 형태가 불안정성에 영향을 미쳤습니다.

2. 제어 메커니즘 해석:

   • ECH 침적 위치 변경이 $q=2$ 표면에서의 전류 구동 (Current Drive) 을 증가시키고, 밀도 펌프아웃 (Density Pumpout) 을 유발하며, 국부적인 가열을 통해 TM 을 안정화시키는 과정을 Shapley 값을 통해 시각화했습니다.

3. 새로운 물리적 발견:

   • 이온 온도의 비선형적 영향: 코어 전자 온도 ($T_e$) 는 TM 위험을 선형적으로 증가시키는 반면, 코어 이온 온도 ($T_i$) 는 2~3.5 keV 구간에서는 큰 변화가 없다가 그 이상에서 지수함수적으로 급증하는 경향을 보였습니다.
   • 프로파일 평탄화: 특히 이온 온도 ($T_i$) 프로파일의 평탄화 (Flattening) 가 TM 안정화에 유리함을 발견했습니다.

4. 의의 및 결론 (Significance)

• ML 과 물리학의 간극 해소: 고도화된 ML 모델의 예측을 신뢰할 수 있도록, Shapley 분석을 통해 물리적으로 검증 가능한 인과관계를 제시했습니다. 이는 핵융합 발전소 제어 시스템에 AI 를 도입할 때 필수적인 '신뢰성'과 '안전성'을 확보하는 길입니다.
• 일반화된 방법론: 이 프레임워크는 DIII-D 의 특정 시나리오뿐만 아니라 ITER 베이스라인 시나리오 등 다양한 플라즈마 조건에 적용 가능한 일반화 가능한 ML 기반 이벤트 예측 및 해석 방법론을 제시합니다.
• 실험 설계 최적화: 분석 결과를 바탕으로, TM 위험을 줄이면서 성능을 유지하기 위해 ECH(전자 가열) 와 NBI(이온 가열) 의 비율을 조절하거나, 오프-축 NBI 주입을 통해 이온 온도 프로파일을 평탄화하는 등 차기 실험 설계에 대한 구체적인 가이드라인을 제공합니다.

요약하자면, 이 연구는 AI 모델이 '무엇'을 예측하는지뿐만 아니라 '왜' 그렇게 예측하는지를 물리적으로 설명함으로써, 핵융합 연구에서 AI 의 실용화와 안전한 상용화를 위한 중요한 발걸음을 내디뎠습니다.