A Surrogate model for High Temperature Superconducting Magnets to Predict Current Distribution with Neural Network

이 논문은 T-A 공식으로 생성된 유한요소법 데이터를 기반으로 학습된 잔류 신경망 (FCRN) 기반 대리 모델을 개발하여 고온 초전도 자석의 전류 분포를 신속하고 정확하게 예측함으로써 대규모 자석의 지능형 설계를 가능하게 했음을 보여줍니다.

핵심

🏗️ 1. 문제 상황: "너무 느린 설계 과정"

고온 초전도 자석 (HTS) 은 핵융합 발전이나 MRI 같은 거대한 장비에 쓰이는 초강력 자석입니다. 하지만 이 자석을 설계할 때 가장 큰 문제는 시간입니다.

• 기존 방식 (FEM): 자석 내부의 전류가 어떻게 흐르는지 계산하려면, 컴퓨터가 마치 미세한 모래알 하나하나를 세는 것처럼 아주 정밀하게 계산합니다.
• 문제점: 자석 크기가 커지면 (예: 1 미터 크기), 이 계산을 하려면 수십 시간에서 수백 시간이 걸립니다. 마치 "오늘 저녁 메뉴를 정하기 위해 100 가지 레시피를 직접 다 만들어서 맛을 보고 결정하는" 것과 비슷합니다. 이렇게 느리면 자석을 빠르게 최적화하거나 새로운 설계를 시도하기 어렵습니다.

🚀 2. 해결책: "똑똑한 AI 비서 (대리 모델)"

저자들은 이 문제를 해결하기 위해 **AI(신경망)**를 훈련시켜 '대리 모델 (Surrogate Model)'을 만들었습니다.

• 비유: 이 AI 는 **수천 번의 실험 데이터를 본 '베테랑 설계사'**입니다.
  • 기존 방식이 "모든 경우를 직접 계산해서 답을 찾는 것"이라면,
  • 이 AI 는 "이런 조건이면 대략 이렇게 될 거야"라고 직관적으로 빠르게 예측합니다.
• 핵심 기술: 이 연구에서는 **FCRN(완전 연결 잔류 신경망)**이라는 특수한 AI 구조를 사용했습니다.
  • 일반적인 AI 는 깊이가 깊어지면 정보를 잃어버리거나 (기울기 소실), 엉뚱한 답을 낼 수 있습니다.
  • 하지만 이 '잔류 (Residual)' 구조는 정보를 건너뛰어 전달하는 '비행기 터널' 같은 역할을 해서, 아주 깊은 네트워크에서도 정확한 정보를 유지하며 학습하게 합니다.

🎯 3. 두 가지 시나리오 테스트

저자들은 이 AI 를 두 가지 다른 상황에서 테스트했습니다.

상황 1: 급하게 전류를 켜는 경우 (Fast Ramping)

• 상황: 자석에 전류를 아주 빠르게 흘려보낼 때입니다.
• AI 의 능력: 훈련된 데이터 범위보다 약간 더 큰 (50% 더 큰) 자석을 만들어도 AI 는 거의 실수 없이 전류 분포를 예측했습니다.
• 결과: 기존 방식이 11 시간 걸리는 계산을 AI 는 0.3 초 만에 해냈습니다. (약 10 만 배 빠름!)

상황 2: 안정적으로 전류를 유지하는 경우 (Steady State)

• 상황: 자석이 목표 전류에 도달해 안정된 상태입니다.
• AI 의 능력: 자석의 크기나 모양을 바꿔도 잘 예측했지만, 전류 자체를 너무 많이 늘리면 (훈련 데이터 밖으로 나감) 약간의 오차가 생겼습니다.
• 이유: 전류가 너무 세지면 초전도 테이프의 성질이 비선형적으로 변하는데, AI 가 이런 '극한 상황'을 배운 적이 없어서입니다. 하지만 자석의 기하학적 크기를 예측하는 데는 여전히 매우 정확했습니다.

💡 4. 실제 적용: "3 분 만에 최적 설계 찾기"

이 AI 의 가장 큰 장점은 실제 설계에 적용할 수 있다는 점입니다.

• 미션: "중앙 자장 (전력) 은 16 테슬라 이상이어야 하고, 전류 소모는 최소화해야 한다"는 조건을 만족하는 자석을 찾아라.
• 기존 방식: 수천 가지 조합을 하나하나 시뮬레이션하면 몇 달이 걸릴 수도 있습니다.
• AI 방식: AI 가 3 분 만에 모든 조합을 빠르게 훑어보고, 가장 좋은 설계안을 찾아냈습니다.
  • 결과: AI 가 찾은 설계 (전선 길이 360 회 감기 등) 를 다시 정밀 계산기로 확인했을 때, 오차가 **0.2%**밖에 나지 않았습니다. 즉, AI 가 찾은 답이 거의 완벽했습니다.

🌟 5. 결론: 왜 이것이 중요한가?

이 연구는 **"복잡한 물리 계산을 AI 가 대신하게 함으로써, 거대하고 강력한 초전도 자석을 훨씬 빠르고 저렴하게 설계할 수 있다"**는 것을 증명했습니다.

• 핵심 메시지: 이제 설계자들은 수백 시간의 기다림 없이, **AI 라는 '스마트한 나침반'**을 통해 미래의 핵융합 발전소나 초강력 MRI 를 위한 최적의 자석을 빠르게 찾아낼 수 있게 되었습니다.

---

한 줄 요약:

"수백 시간 걸리던 자석 설계 계산을, 수천 번의 실험을 학습한 AI 비서에게 맡겨 3 분 만에 최적의 답을 찾아낸 혁신적인 연구입니다."

기술 요약

논문 요약: 신경망을 이용한 고온 초전도 자석의 전류 분포 예측을 위한 대리 모델 (Surrogate Model)

1. 연구 배경 및 문제 제기 (Problem)

• 배경: 희토류 바륨 구리 산화물 (REBCO) 코팅 도체는 저온 초전도체보다 높은 임계 전류와 임계 자기장을 가져 대형 고자기장 자석 (핵융합 토카막, 초고장력 솔레노이드 등) 에 필수적입니다.
• 문제점:
  • REBCO 테이프는 운송 전류나 외부 자기장 하에서 '스크리닝 전류 (screening current)' 효과를 일으켜 테이프 내부의 전류 분포가 비균일해집니다. 이는 중앙 자기장 감소와 테이프 끝단 응력 집중을 유발하여 자석 성능에 영향을 줍니다.
  • 정확한 전류 밀도 분포 계산을 위해 유한요소법 (FEM) 이 널리 사용되지만, 미터 규모의 대형 자석 설계 시 계산 시간이 매우 길어집니다 (단일 조건당 수십 시간, 다중 물리장 결합 시 수백 시간 소요).
  • 이러한 계산 병목 현상은 고자기장 REBCO 자석의 빠른 최적화 설계를 제한하는 주요 장애물입니다.

2. 제안된 방법론 (Methodology)

• 대리 모델 (Surrogate Model) 개발:

  • 목적: FEM 시뮬레이션의 계산 시간을 단축하면서 REBCO 솔레노이드의 공간적 전류 밀도 분포를 실시간에 가깝게 예측하는 모델 구축.
  • 데이터 생성: FEM 시뮬레이션 (T-A 공식 사용) 을 통해 생성된 대규모 데이터셋을 학습 데이터로 활용.
    • Case 1 (고속 램핑): 동적 전류 변화 과정 예측. (기하학적 파라미터만 변수, 임계 전류의 자기장 의존성 무시)
    • Case 2 (정상 상태): 목표 전류 도달 후 안정화 상태 예측. (기하학적 파라미터, 운전 전류, 임계 전류의 자기장 의존성 $J_c(B)$ 모두 변수)
  • 입력 변수: 반경 ($r$), 축 방향 ($z$), 시간 ($t$), 권수 ($N$), 팬케이크 수 ($N_p$), 운전 전류 ($I_{op}$), 내경 ($RID$), 팬케이크 인덱스 ($p$) 등.
  • 출력 변수: 테이프 내의 원주 방향 전류 밀도 ($J_\phi$).

• 신경망 아키텍처:

  • FCRN (Fully Connected Residual Network): 기존 완전 연결 신경망 (FCN) 의 심층화 시 발생하는 기울기 소실 (vanishing gradient) 문제를 해결하기 위해 **잔여 연결 (Skip connections)**을 도입한 구조 사용.
  • 활성화 함수: SiLU (Sigmoid Linear Unit) 사용.
  • 학습 전략: 미니배치 (Mini-batch) 학습, Adam 옵티마이저, 학습 및 보간 검증 (Interpolation validation) 손실 모두 감소 시 모델 가중치 저장.

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

• 아키텍처 성능 비교:

  • FCRN 은 FCN 에 비해 학습 및 검증 손실 (Loss) 이 모두 낮았으며, 특히 심층 네트워크 (Layer=24) 에서 FCN 은 수렴 실패를 보인 반면 FCRN 은 안정적인 수렴을 달성했습니다.

• Case 1 (고속 램핑) 결과:

  • 내삽 및 외삽 성능: 학습 데이터 범위 내 (내삽) 에서 높은 정확도를 보였으며, 학습 범위를 50% 초과하는 기하학적 파라미터 (권수, 팬케이크 수) 에 대한 외삽에서도 상대 오차 10% 미만의 히스테리시스 손실 예측 성능을 보였습니다.
  • 계산 효율성: FEM 계산 시간 (최대 11 시간) 대비 모델 추론 시간은 0.1~0.4 초로, 수천 배 이상의 속도 향상을 달성했습니다.

• Case 2 (정상 상태) 결과:

  • 기하학적 외삽: 학습 범위를 벗어난 기하학적 파라미터 ($N, N_p$) 외삽 시 중앙 자기장 예측 평균 오차가 **1.2%**로 매우 정확했습니다.
  • 운전 전류 외삽의 한계: 운전 전류 ($I_{op}$) 를 학습 범위 이상으로 외삽할 경우 오차가 증가 (평균 4.4%~9.0%) 했습니다. 이는 테이프가 완전히 관통 (full penetration) 되는 비선형 동역학이 학습 데이터에 부족하여 발생했습니다.

• 실제 설계 적용 (Rapid Magnet Design):

  • 최적화 사례: 중앙 자기장 16T 이상, 축 방향 자기장 균일도 1% 이내 조건 하에서 테이프 사용량을 최소화하는 최적 설계를 수행.
  • 성과: 3 분 이내의 빠른 탐색으로 최적 설계 ($N=360, N_p=9, R=10mm, I_{op}=222A$) 를 도출했으며, 이 설계의 FEM 검증 결과와 비교 시 중앙 자기장 오차는 **0.2%**에 불과했습니다.

4. 의의 및 결론 (Significance & Conclusion)

• 기술적 의의:
  • 고온 초전도 자석 설계에 있어 FEM 의 계산 병목 현상을 해결할 수 있는 효율적인 AI 기반 도구 (대리 모델) 를 제시했습니다.
  • 잔여 신경망 (Residual Network) 구조가 복잡한 물리 현상 (스크리닝 전류 효과) 을 모델링하는 데 있어 기존 FCN 보다 우수한 일반화 성능과 심층 학습 안정성을 제공함을 입증했습니다.
• 실용적 가치:
  • 제한된 학습 데이터셋으로도 넓은 파라미터 공간에 대한 신뢰할 수 있는 외삽이 가능하여, 대규모 데이터 수집 없이도 대형 자석의 신속한 설계 및 최적화가 가능해졌습니다.
  • 향후 더 대표적인 데이터셋 구축과 물리 법칙을 고려한 손실 함수 (Physics-informed loss) 도입을 통해 모델의 외삽 성능을 더욱 향상시킬 수 있을 것으로 기대됩니다.

이 연구는 고자기장 초전도 자석의 지능형 설계 (Intelligent Design) 를 위한 핵심 기술로서, 미래 대형 핵융합 장치 및 초전도 모터 개발에 중요한 기여를 할 것으로 평가됩니다.