TorbeamNN: Machine learning based steering of ECH mirrors on KSTAR

이 논문은 KSTAR 토카막 플라즈마에서 전자 사이클로트론 가열 (ECH) 거울의 제어를 위해 개발된 머신러닝 기반의 'TorbeamNN'이 기존 TORBEAM 코드보다 100 배 이상 빠른 속도로 흡수 위치를 정확히 예측하고 실시간 실험에서 0.5cm 미만의 오차로 동적 타겟 추적을 성공적으로 수행했음을 보고합니다.

핵심

TorbeamNN: 핵융합 발전소의 '초고속 레이저 조준기' 이야기

이 논문은 핵융합 발전소인 'KSTAR'에서 사용하는 전자 사이클로트론 가열 (ECH) 시스템의 정확도와 속도를 획기적으로 개선한 연구입니다. 어렵게 들릴 수 있지만, 사실은 **"미세한 레이저를 아주 빠르게, 정확하게 원하는 곳에 쏘는 방법"**을 개발한 이야기입니다.

이 내용을 일상적인 비유로 쉽게 설명해 드리겠습니다.

---

1. 배경: 뜨거운 국물과 레이저 포인터

핵융합 발전소는 태양처럼 뜨거운 플라즈마 (전리된 가스) 를 가두어 에너지를 만드는 곳입니다. 이 뜨거운 국물 (플라즈마) 을 더 뜨겁게 하거나, 불필요한 소용돌이 (불안정성) 를 잡기 위해 **마이크로파 (레이저 같은 전파)**를 쏘아줍니다.

하지만 문제는 이 레이저가 플라즈마라는 '안개' 속을 지나갈 때 발생합니다. 안개의 밀도나 자기장의 모양에 따라 레이저가 휘어지거나 (굴절), 어디에 닿을지 예측하기가 매우 어렵습니다.

• 기존 방식 (TORBEAM): 레이저가 어디에 닿을지 계산하는 '지식인'이 있었습니다. 하지만 이 지식인은 계산이 너무 느렸습니다. 10 밀리초 (0.01 초) 가 걸렸는데, 플라즈마는 그보다 훨씬 빠르게 변합니다. 마치 날아오는 공을 잡으려는데 계산하는 데 10 초가 걸려서 공은 이미 저 멀리 날아간 상황과 비슷합니다.

2. 해결책: TorbeamNN (머신러닝 '천재 조준수')

연구팀은 이 느린 계산기를 대체할 **인공지능 (AI) 모델인 'TorbeamNN'**을 만들었습니다.

• 비유: 기존 지식인이 두꺼운 수학책을 뒤적이며 계산하는 동안, TorbeamNN 은 수만 번의 연습을 통해 '직관'을 익힌 천재 조준수입니다.
• 어떻게 했나요? 과거 KSTAR 에서 모은 방대한 실험 데이터와 정밀한 시뮬레이션 결과를 AI 에게 먹였습니다. AI 는 "이런 자기장 모양이고, 이 정도로 밀도가 높으면 레이저는 여기로 휘어진다"는 패턴을 외워버린 것입니다.

3. 놀라운 성과: 100 배 더 빠른 눈

이 TorbeamNN 의 가장 큰 장점은 속도입니다.

• 속도 비교: 기존 방식이 10 밀리초 걸렸다면, TorbeamNN 은 0.1 밀리초 (100 배 빠름) 만에 결과를 냅니다.
• 정확도: 속도가 빨라졌다고 해서 정확도가 떨어진 것은 아닙니다. 오히려 실제 실험에서 레이저가 닿아야 할 위치를 0.5cm 오차 이내로 정확히 추적했습니다. (머리카락 굵기보다 훨씬 정밀한 수준입니다!)

4. 실제 실험: 춤추는 공을 잡다

연구팀은 KSTAR 에서 이 AI 를 실제로 작동시켜 보았습니다.

• 상황: 플라즈마는 끊임없이 모양을 바꾸고, 거대한 소용돌이 (ELM) 가 발생하기도 합니다. 마치 춤추는 사람 (플라즈마) 의 손끝에 레이저를 쏘는 상황입니다.
• 결과: TorbeamNN 은 춤추는 사람의 손끝을 실시간으로 따라가며 레이저를 쏘았습니다. 특히 플라즈마가 급격히 변할 때 (예: 3 초 부근의 급상승 구간) 는 데이터의 한계로 약간의 오차가 있었지만, 안정된 구간에서는 완벽하게 목표물을 추적했습니다.

5. 왜 중요한가요?

이 기술은 미래의 핵융합 발전소 (ITER 등) 에 필수적입니다.

1. 다중 임무 수행: 하나의 레이저로 여러 가지 일 (가열, 전류 유도, 불안정성 제어 등) 을 동시에 해야 할 때, 빠른 계산이 필수입니다.
2. 안전장치: 플라즈마가 갑자기 불안정해지면 (폭발 직전), AI 가 0.01 초 만에 대응하여 레이저를 올바른 위치로 쏘아 위기를 막을 수 있습니다.
3. 미래 지향: 앞으로는 이 AI 가 플라즈마의 상태를 더 자세히 분석하여, 레이저를 쏘는 각도를 자동으로 최적화하는 '스마트 조종사' 역할을 할 것입니다.

요약

TorbeamNN은 핵융합 연구에서 **"느린 계산기를 버리고, 머신러닝으로 만든 초고속 조준경을 장착한 것"**입니다. 덕분에 KSTAR 는 더 정교하고 빠르게 플라즈마를 제어할 수 있게 되었으며, 이는 우리가 깨끗한 에너지를 얻는 핵융합 발전소를 현실로 만드는 데 큰 한 걸음이 되었습니다.

한 줄 평: "안개 속을 날아다니는 레이저를, AI 가 100 배 빠르게, 머리카락 굵기만큼 정확하게 조준하게 만든 기술!"

기술 요약

1. 연구 배경 및 문제 제기 (Problem)

• 배경: 차세대 토카막 (ITER 등) 에서는 전자기파 (RF) 가 주요 가열원으로 사용되며, 특히 전자 사이클로트론 가열 (ECH) 과 전류 구동 (ECCD) 은 플라즈마 제어 (NTM 억제, ELM 제어, 불순물 차폐 등) 에 필수적입니다.
• 문제점:
  • ECH 빔의 흡수 위치는 플라즈마 밀도 ($n_e$) 와 자기장 분포에 따라 굴절되므로, 실시간으로 정확한 빔 조준을 위해 레이 트레이싱 (ray-tracing) 코드가 필요합니다.
  • 기존 물리 기반 코드인 TORBEAM은 실시간 (약 10ms) 으로 실행 가능하지만, 제어 시스템 (PCS) 의 빠른 과도 현상 (ELM, sawtooth 등, 주기 20~50ms) 을 따라가기에는 계산 지연이 발생합니다.
  • 또한, KSTAR 와 같은 장치에서는 실시간 전자 온도 ($T_e$) 프로파일을 구하기 어렵거나, TORBEAM 의 완전한 물리 모델 실행에 필요한 데이터 (전체 $n_e$, $T_e$ 프로파일, 3D 자기장 그리드 등) 를 실시간으로 구하는 데 한계가 있습니다.
  • 따라서, 정확도를 유지하면서 계산 속도를 획기적으로 향상시킬 수 있는 대안이 필요합니다.

2. 방법론 (Methodology)

• TorbeamNN 개발:
  • TORBEAM 레이 트레이싱 코드를 대체할 **머신러닝 (ML) 대리 모델 (Surrogate Model)**인 'TorbeamNN'을 개발했습니다.
  • 데이터셋 구축: KSTAR 2024 년 캠페인 데이터를 기반으로 336 개의 샷 (shot) 에서 2,712 개의 고유한 시간 슬라이스를 추출했습니다. 각 시간 슬라이스와 미러 각도 조합에 대해 풀-피델리티 (full-fidelity) 오프라인 TORBEAM 코드를 실행하여 총 647,267 회의 계산을 수행하여 학습 데이터를 생성했습니다.
  • 모델 아키텍처:
    • 입력: ECH 미러 각도 (폴로이달, 토로이달), 진공 토로이달 자기장 ($B_T$), 플라즈마 전류 ($I_P$), 자기축 위치, 소반경, 정규화 압력 ($\beta_N$), 신장비 ($\kappa$), 인덕턴스 ($l_i$), 플라즈마 부피, 그리고 CO2 간섭계를 기반으로 한 ML 모델로 추정된 실시간 전자 밀도 ($n_e$) 프로파일 (3 점: 코어, 오프-축, 에지).
    • 출력: 흡수 위치 (폴로이달 라디우스 $\rho_{pol}$, 대경 $R$, 수직 위치 $Z$) 및 전류 구동 효율 ($\eta_{CD}$).
    • 구조: Keras 라이브러리 기반, Adam 옵티마이저, 3 개의 밀집 레이어 (각 60 뉴런, ReLU 활성화 함수) 및 최종 선형 활성화 함수를 가진 신경망.
  • 학습 전략: O-mode 와 X-mode 의 물리적 특성이 상이하여 각 모드와 각 고이스트론 (EC2, EC4, EC5) 마다 별도의 모델을 학습시켰습니다.

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

• 압도적인 속도 향상:
  • TorbeamNN 은 최적화된 실시간 TORBEAM 구현체 대비 100 배 이상 빠른 속도 (모델당 약 50~60 $\mu$s) 를 달성했습니다.
  • 전체 3 개 고이스트론을 직렬로 실행해도 총 CPU 사이클 시간이 180 $\mu$s 미만으로, 기존 10~20ms 의 TORBEAM 지연을 획기적으로 줄였습니다.
• 높은 정확도:
  • 오프라인 검증에서 모든 출력 변수의 $R^2$ 값이 0.992 이상을 기록했습니다.
  • 수직 흡수 위치 ($Z$) 예측의 평균 절대 오차 (MAE) 는 0.2cm로, 실제 실험 환경의 입력 데이터 오차 범위 내에서 매우 정확한 예측을 보입니다.
• 실시간 실험 검증 (KSTAR):
  • KSTAR 의 H-mode 플라즈마에서 TorbeamNN 을 PCS(플라즈마 제어 시스템) 에 통합하여 실험했습니다.
  • 피드포워드 제어: 오프라인 TORBEAM 결과와 비교하여 $R^2$ 0.995, MAE 0.44cm 의 정확도를 보였습니다.
  • 피드백 제어 (PID): 동적 플라즈마 조건에서 수직 위치 ($Z_{vac}$) 를 추적하는 PID 제어기를 적용했습니다. 5 초 이후 안정 구간에서 평균 추적 오차 0.535cm를 달성하여, ECH 빔이 동적 플라즈마 조건에서도 목표 위치를 정밀하게 추적할 수 있음을 입증했습니다.

4. 의의 및 향후 전망 (Significance & Future Directions)

• 실시간 제어의 혁신: 물리 기반 코드의 계산 병목 현상을 해결하여, ECH 빔의 조준 속도를 플라즈마의 빠른 과도 현상 (ELM, sawtooth 등) 에 맞춰 제어할 수 있는 기반을 마련했습니다.
• 다중 작업 제어 가능성: 계산 시간 단축으로 인해 단일 샷 내에서 NTM 제어, 시나리오 최적화, sawtooth 패싱 등 여러 제어 목표를 동시에 수행하는 멀티태스킹 ECH 제어가 가능해졌습니다.
• 확장성:
  • 향후 KSTAR 에 실시간 MSE 진단기가 도입되면, $q$-프로파일 추적을 통한 NTM 제어 등 더 정교한 제어에 활용 가능합니다.
  • ML 모델의 미분 가능성 (differentiability) 을 이용해 PID 제어 없이도 최적 각도를 직접 계산하는 최적화 기반 제어로 발전시킬 수 있습니다.
  • 향후 토카막의 RF 가열 시스템 제어에 ML 대리 모델을 표준으로 적용할 수 있는 가능성을 제시했습니다.

결론

이 논문은 KSTAR 토카막에서 ECH 미러 조정을 위해 개발된 TorbeamNN을 통해, 머신러닝 기반 대리 모델이 기존 물리 시뮬레이션 코드를 대체하여 정확도를 유지하면서 100 배 이상의 속도 향상을 이루었음을 증명했습니다. 이는 차세대 핵융합 반응로 (ITER 등) 에서 복잡한 플라즈마 제어 및 다중 목적 RF 가열 운영을 실현하기 위한 핵심 기술로 평가됩니다.