Learning Complex Physical Regimes via Coverage-oriented Uncertainty Quantification: An application to the Critical Heat Flux

이 논문은 OECD/NEA 의 임계 열유속 (CHF) 데이터를 활용하여 사후 보정 방법과 대비되는 '커버리지 지향적 학습' 접근법이 복잡한 물리 체제 내에서 모델의 예측 정확도와 물리적으로 일관된 불확실성 추정을 동시에 달성하는 데 효과적임을 입증합니다.

핵심

1. 배경: 왜 이 연구가 필요한가요? (끓는 물과 AI)

상상해 보세요. 여러분이 냄비에 물을 끓이고 있습니다.

• 일반적인 상황: 물이 따뜻해지면 기포가 생기고, 결국 끓기 시작합니다.
• 위험한 상황 (임계 열유속): 하지만 열을 너무 세게 가하면, 물이 끓는 게 아니라 냄비 바닥에 있는 물이 순식간에 증발해 버려서 금속이 직접 공기와 접촉하게 됩니다. 이때 금속 온도가 급격히 치솟아 냄비가 녹아내릴 수 있습니다. 이를 **'임계 열유속 (CHF)'**이라고 합니다.

원자로 같은 곳에서는 이 '냄비 바닥이 타버리는 순간'을 정확히 예측하는 것이 생명과 직결됩니다.

기존의 AI 는 이 현상을 예측할 때, **"대체로 10% 정도는 틀릴 수 있겠지"**라고 단순히 숫자만 맞추는 데 집중했습니다. 하지만 문제는 물이 끓는 방식이 상황 (물기, 압력, 온도 등) 에 따라 완전히 달라진다는 점입니다. 어떤 때는 안정적이고, 어떤 때는 갑자기 폭발하듯 변합니다.

기존 AI 는 이 **'상황에 따른 변화'**를 제대로 이해하지 못해서, 위험한 순간에도 "아직 안전해"라고 안심시키는 실수를 저지르곤 했습니다.

2. 이 논문의 핵심 아이디어: "불확실성"을 학습에 포함시키다

이 논문은 AI 에게 다음과 같이 가르칩니다.

"단순히 정답을 맞추는 것만 중요하지 않아. 내가 어디를 잘 모르고, 어디가 위험한지 스스로 깨닫는 것이 더 중요해!"

이를 위해 연구진은 두 가지 다른 접근법을 비교했습니다.

A. 기존 방식 (사후 보정): "안경 끼기"

• 비유: 이미 운전이 서툰 사람을 데리고 와서, "너는 시야가 좁으니까 안경을 좀 더 두껍게 끼라"고 해주는 것입니다.
• 방법 (Conformal Prediction): AI 가 먼저 예측을 하고, 그 결과에 대해 "이 정도 오차 범위는 있을 거야"라고 뒤에서 안경을 씌워주는 방식입니다.
• 결과: 안전장치는 생겼지만, AI 는 여전히 운전이 서툴고 위험한 상황을 '이해'하지는 못합니다.

B. 새로운 방식 (학습 과정 통합): "운전 교습소"

• 비유: AI 를 운전 교습소에 보내서, "비가 올 때는 속도를 줄이고, 눈이 오면 브레이크를 더 일찍 밟아라"라고 운전하는 법 자체를 가르치는 것입니다.
• 방법 (Coverage-oriented Learning): AI 가 학습하는 과정에서 "내가 이 구간에서는 확신이 없으니, 예측 범위를 넓혀라"라고 스스로 학습하도록 유도합니다.
• 결과: AI 는 물리 법칙의 변화 (안정적인 구간 vs 위험한 구간) 를 스스로 깨닫게 됩니다.

3. 연구 결과: 무엇이 달라졌나요?

연구진은 실제 원자로 데이터 (미국 원자력규제위원회 데이터) 를 이용해 이 두 방법을 시험해 보았습니다.

1. 위험한 구간의 발견: 새로운 방식 (새로운 학습법) 을 쓴 AI 는 물이 끓는 방식이 바뀌는 '전이 구간' (안정적 끓음에서 폭발 직전으로 넘어가는 구간) 에서 스스로 "여기는 위험하니까 예측 범위를 넓혀야겠다"라고 판단했습니다.
2. 물리 법칙의 이해: AI 는 단순히 숫자를 맞추는 것을 넘어, 데이터 속에 숨겨진 물리 법칙 (DNB 라는 안정적 상태와 Dryout 이라는 위험한 상태) 을 스스로 학습했습니다.
3. 더 안전한 예측: 기존 방식은 "모든 곳에서 똑같은 오차 범위"를 적용했지만, 새로운 방식은 위험할 때는 오차 범위를 넓게, 안전할 때는 좁게 적용하여 훨씬 더 현실적이고 안전한 예측을 했습니다.

4. 결론: AI 는 이제 '안전 관리자'가 되었다

이 논문의 가장 큰 메시지는 다음과 같습니다.

"AI 에게 불확실성을 계산하는 것은 단순히 '안전 검사'를 하는 것이 아니라, AI 가 물리 현상을 제대로 '이해'하도록 만드는 핵심 학습 과정이다."

기존에는 AI 가 "정답"을 맞추는 데만 집중했다면, 이제는 AI 가 **"내가 어디를 모르고, 언제 위험한지"**를 스스로 깨닫도록 가르치는 것이 과학적 AI 의 새로운 표준이 되어야 한다고 말합니다.

한 줄 요약:
이 연구는 AI 가 복잡한 물리 현상을 예측할 때, 단순히 정답을 맞추는 것을 넘어 위험한 상황을 스스로 감지하고 경계할 수 있도록 학습시키는 새로운 방법을 제시했습니다. 이는 원자로 같은 고위험 시설에서 AI 를 사용할 때 훨씬 더 신뢰할 수 있는 결과를 보장해 줍니다.

기술 요약

1. 연구 배경 및 문제 정의 (Problem)

• 과학적 머신러닝 (Scientific ML) 의 한계: 기존의 머신러닝 모델은 복잡한 물리 현상을 학습할 때, 전역적인 오차 최소화 (예: MSE) 에만 집중하는 경향이 있습니다. 이는 데이터의 본질적인 확률적 변동성 (stochasticity) 을 '잡음'으로 간주하여 제거하려 하거나, 서로 다른 물리적 체제 (regimes) 간의 전환을 무시하게 만듭니다.
• 임계 열유속 (CHF) 의 복잡성: CHF(임계 열유속) 는 원자로 안전성 평가에서 매우 중요한 지표로, 입력 변수에 대해 비선형성이 강하고, '핵비등 이탈 (DNB)'과 '건조 (Dryout)'라는 서로 다른 미시적 물리 체제가 공존합니다. 각 체제는 통계적 특성이 크게 다르며, 전환 구간에서는 불확실성이 급격히 증가합니다.
• 불확실성 정량화 (UQ) 의 필요성: 단순한 안전 장벽으로서의 사후 (post-hoc) UQ 가 아니라, 모델이 데이터의 물리적 체제를 올바르게 내부화 (internalise) 할 수 있도록 학습 과정 자체에 불확실성을 통합하는 접근이 필요합니다.

2. 방법론 (Methodology)

이 연구는 OECD/NEA 가 제공하는 원자력 규제 위원회 (NRC) 의 CHF 데이터셋을 사용하여 다양한 UQ 기법을 비교 분석했습니다.

2.1 데이터 전처리

• 필터링: 물리적 일관성을 해치는 데이터 (음의 과냉각도, 신뢰할 수 없는 실험 소스 등) 를 제거하여 총 22,872 개의 샘플로 구성된 필터링된 데이터셋을 구축했습니다.
• 입력 변수: 관 직경, 가열 길이, 압력, 질량 유속, 출구 증기 품질 (X) 등을 사용했습니다.

2.2 모델 아키텍처

• ResNet (Residual Networks): 표형 데이터 (tabular data) 를 처리하기 위해 잔차 네트워크를 기반으로 한 모델을 사용했습니다. 출력층에는 양수 값을 보장하기 위해 Softplus 활성화 함수를 적용했습니다.

2.3 비교 대상 UQ 기법

연구는 사후 보정 (Post-hoc) 방법과 커버리지 중심 학습 (Coverage-oriented Learning) 방법을 대비시켰습니다.

1. 분할 합동 예측 (Split Conformal Prediction, CP):
   • 방식: 훈련된 모델을 고정하고, 별도의 보정 데이터셋을 사용하여 예측 구간 (Prediction Interval, PI) 을 사후에 계산합니다.
   • 특징: 통계적 커버리지 보장은 가능하지만, 모델 내부의 물리적 표현을 변경하지는 않습니다.
2. 이분산 회귀 (Heteroscedastic Regression, HR):
   • 방식: 평균 ($\mu$) 과 분산 ($\sigma^2$) 을 동시에 예측하도록 모델을 학습시킵니다. 음의 로그 가능도 (NLL) 기반의 손실 함수를 사용합니다.
   • 전략: 단일 태스크, 멀티 태스크 학습 (MTL), 전이 학습 (TL) 전략을 비교했습니다.
3. 품질 주도 예측 및 불확실성 추정 (Quality-Driven, QD):
   • 방식: 예측값, 하한선, 상한선을 직접 예측하며, 손실 함수에 커버리지 제약 조건을 명시적으로 포함시킵니다.
   • 특징: 비대칭적인 불확실성 구간을 학습할 수 있으며, 학습 과정에서 커버리지를 최적화합니다.
4. 베이지안 이분산 회귀 (Bayesian HR, BHR):
   • 방식: 가중치를 확률 변수로 취급하는 베이지안 신경망 (BNN) 을 사용하여 예측 불확실성을 알레토릭 (데이터 잡음) 과 에피스테믹 (모델 지식 부족) 으로 분리합니다.

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

3.1 예측 성능

• 모든 UQ 기법을 적용한 모델들은 기존 연구 (RMSPE 약 11%) 보다 향상된 약 10% 의 RMSPE를 달성했습니다.
• 특히 전이 학습 (TL) 을 적용한 HR 및 QD 모델은 더 얕은 네트워크 구조로도 우수한 예측 성능을 보였습니다.

3.2 물리적 체제 인식 및 불확실성 거동

• 체제 전환 감지: 모든 커버리지 중심 학습 모델 (HR, QD, BHR) 은 **출구 증기 품질 (Outlet Quality, X)**에 따라 불확실성 폭이 변화하는 것을 학습했습니다.
  • X < 0.25 (DNB 체제): 불확실성이 낮음.
  • 0.25 ≤ X ≤ 0.5 (전환 체제): 불확실성이 급격히 증가 (물리적 전환 구간 식별).
  • X > 0.5 (Dryout 체제): 불확실성이 다시 감소하거나 일정하게 유지.
• 사후 보정 vs 학습 통합: CP 는 일정한 불확실성 폭을 제공하거나 입력에 의존하지만, HR/QD/BHR 은 모델이 학습 과정에서 물리적 체제의 변화를 스스로 인식하도록 하여, 전환 구간에서 불확실성이 자연스럽게 확장되는 물리적으로 일관된 결과를 도출했습니다.

3.3 불확실성 구성 요소 분석 (BHR 결과)

• 베이지안 분석 결과, 총 예측 불확실성의 대부분은 **알레토릭 불확실성 (데이터 고유의 잡음)**에서 기인했으며, 에피스테믹 불확실성 (모델의 지식 부족) 은 상대적으로 작았습니다. 이는 CHF 현상의 변동성이 모델의 부족함이 아니라 물리 현상 자체의 특성임을 시사합니다.

3.4 평가 지표 (Metrics)

• PICP (Prediction Interval Coverage Probability): 모든 커버리지 중심 기법이 목표 커버리지 (95%) 를 달성하거나 초과했습니다.
• UQF (Uncertainty Quantification F-score): 정보성 (Informativeness, 좁은 구간) 과 보정 (Calibration, 정확한 커버리지) 간의 트레이드오프를 종합한 지표에서, HR 과 QD 기법이 CP 보다 우수한 성능을 보였습니다.

4. 의의 및 결론 (Significance & Conclusion)

• 패러다임의 전환: 이 연구는 불확실성 정량화 (UQ) 를 단순한 '안전 점검 (Post-hoc safety check)'이 아닌, 학습 과정의 핵심 구성 요소로 재정의했습니다.
• 물리적 일관성: 커버리지 중심의 학습 (Coverage-oriented learning) 은 모델이 복잡한 물리적 체제 (DNB, Dryout, 전환 구간) 를 내부적으로 표현하도록 강제하여, 단순한 수치 예측을 넘어 물리적으로 신뢰할 수 있는 모델을 생성합니다.
• 실무적 적용: 원자력 안전 (BEPU: Best Estimate plus Uncertainty) 과 같은 고위험 분야에서, 모델이 자신의 예측 한계와 물리적 체제 전환을 스스로 진단할 수 있는 능력을 갖추게 함으로써, 보다 견고하고 해석 가능한 과학적 머신러닝의 토대를 마련했습니다.

핵심 요약: 이 논문은 CHF 예측을 통해, 불확실성을 학습 과정에 통합하는 방법 (HR, QD, BHR) 이 사후 보정 방법 (CP) 보다 복잡한 물리적 체제를 더 잘 포착하고, 물리적으로 일관된 불확실성 추정을 제공함을 입증했습니다. 이는 과학적 ML 이 단순한 예측 도구를 넘어 시스템의 물리적 행동을 이해하는 도구로 진화할 수 있음을 보여줍니다.