Data-Driven Optimisation of Superconducting Magnets at CEA Paris-Saclay

이 논문은 CEA 파리 - 사클레이에서 가속기 초전도 자석 설계의 복잡성을 해결하고 설계 과정을 가속화하기 위해 머신러닝 및 고급 최적화 기법을 활용한 새로운 AI 기반 최적화 및 데이터 관리 플랫폼을 소개하고, 이를 활용한 다물리 최적화, 토폴로지 최적화, ECR 이온원 통합 모델링, 그리고 퀜치 이벤트 이상 탐지 등 다양한 적용 사례를 제시합니다.

핵심

🧲 초전도 자석 설계: "수만 개의 퍼즐 조각을 맞추는 미친 짓"

우선, 초전도 자석이 뭔지 알아야 합니다. 입자 가속기나 MRI 같은 거대한 기계의 심장부입니다. 이 자석은 전기를 통하면 마찰 없이 (초전도 상태로) 엄청난 자기를 만들어내는데, 설계가 매우 까다롭습니다.

• 문제점: 자석 하나를 만들려면 전자기학, 기계공학, 열역학, 재료과학 등 수많은 분야의 지식이 필요합니다. 마치 수만 개의 퍼즐 조각을 동시에 맞추면서, 조각 하나하나가 서로 다른 언어로 이야기하고 있는 상황과 같습니다.
• 기존 방식: 과거에는 컴퓨터 시뮬레이션을 돌려보며 하나하나 수정했습니다. 하지만 계산량이 너무 많아 시간이 몇 년 걸리거나, 컴퓨터가 과부하로 멈추는 일이 잦았습니다.

🤖 해결책: '알레시아 (Alesia)'라는 똑똑한 조력자

연구팀은 이 문제를 해결하기 위해 **'알레시아 **(Alesia)라는 새로운 AI 플랫폼을 만들었습니다. 이 플랫폼은 마치 현명한 건축 설계사 팀장과 같습니다.

1. 데이터 정리꾼: 설계에 필요한 모든 자료 (재료 데이터, 시뮬레이션 결과 등) 를 한곳에 깔끔하게 정리해 줍니다. 마치 거대한 도서관의 모든 책을 자동으로 분류하고 찾아주는 사서 같습니다.
2. 자동화 기계: 여러 가지 복잡한 프로그램 (전자기, 기계, 열 분석 등) 을 자동으로 연결해서 돌려줍니다. 예전에는 프로그램 A 에서 결과를 가져와 프로그램 B 에 입력하는 수작업을 해야 했지만, 이제는 레고 블록을 자동으로 조립해 주는 로봇처럼 작동합니다.
3. 예측 전문가: 수많은 시뮬레이션 데이터를 학습해서, "이런 모양이면 저런 결과가 나올 거야"라고 미리 예측해 줍니다. 그래서 실제로 무거운 계산을 다 하지 않아도 최적의设计方案을 빠르게 찾을 수 있습니다.

🚀 알레시아가 해결한 4 가지 주요 미션

이 플랫폼은 구체적으로 어떤 일을 해냈을까요?

1. "최고의 레시피 찾기" (다중 물리 최적화)

• 상황: 입자 가속기용 자석 (SPIN ROTATORS) 을 설계할 때, 자석의 모양, 전류, 온도, 재료 등 변수가 너무 많습니다.
• 해결: 알레시아는 수천 가지 조합을 자동으로 테스트하며 가장 좋은 '레시피'를 찾아냅니다. 마치 요리사가 수천 가지의 소금과 설탕 비율을 시도해 보며 최고의 맛을 찾는 과정을 AI 가 대신 해주는 것입니다.

2. "자석의 뼈대 재설계" (위상 최적화)

• 상황: 강한 자석은 강한 힘 (로렌츠 힘) 을 받아 구부러지거나 부서질 수 있습니다.
• 해결: 알레시아는 자석 내부의 재료가 어디에 있어야 가장 튼튼하면서도 가볍게 유지되는지 알아냅니다. 마치 나무를 깎아 가장 튼튼하면서도 가벼운 의자를 만드는 조각가처럼, 불필요한 부분은 비우고 필요한 부분만 남기는 작업을 합니다.

3. "차세대 자석 개발" (고온 초전도체 활용)

• 상황: 더 강한 자석을 만들려면 새로운 재료 (HTS) 를 써야 하는데, 이 재료는 매우 민감하고 다루기 어렵습니다.
• 해결: 알레시아는 이 새로운 재료를 어떻게 감아도 전기가 새지 않고, 열에도 견딜 수 있는지 수천 번의 시뮬레이션을 통해 최적의 구조를 찾아냅니다.

4. "사고 예방 시스템" (이상 감지)

• 상황: 자석은 갑자기 고장 나면 (쿼치 현상) 큰 사고로 이어질 수 있습니다.
• 해결: 알레시아는 자석이 작동하는 동안 수많은 데이터를 실시간으로 감시합니다. 마치 경보 시스템처럼, "아, 지금 전압이 조금 이상해. 곧 고장 날 수도 있으니 미리 대비해!"라고 알려줍니다.

💡 결론: 왜 이 연구가 중요한가?

이 논문은 단순히 자석을 더 잘 만드는 기술을 소개하는 것을 넘어, 복잡한 과학 공학 문제를 해결하는 새로운 방식을 보여줍니다.

• 과거: "우리가 계산할 수 있는 만큼만 설계하자." (시간과 비용이 많이 듦)
• **현재 **(알레시아) "AI 가 모든 가능성을 탐색하고, 우리가 가장 중요한 결정만 내리자." (빠르고 정확함)

이 기술은 입자 가속기뿐만 아니라, **MRI **(병원용) 등 우리 삶에 필요한 다양한 첨단 기술의 발전 속도를 획기적으로 높여줄 것입니다. 마치 우주 탐사를 위해 로켓을 설계할 때, 수백 년 걸리던 일을 몇 달로 단축시킨 것과 같은 혁신입니다.

기술 요약

논문 요약: CEA 파리 - 살라예에서의 데이터 기반 초전도 자석 최적화

1. 문제 제기 (Problem)

입자 가속기용 초전도 자석은 전자기학, 역학, 열역학, 냉동공학, 재료과학 등 다양한 물리 현상이 강하게 결합된 복잡한 시스템입니다. 기존 설계 방식은 다음과 같은 한계를 가지고 있습니다:

• 계산 비용의 과다: 정밀한 다물리 (Multiphysics) 시뮬레이션 (유한요소법, FEM 등) 을 수행하는 데 막대한 시간과 컴퓨팅 자원이 소요됩니다.
• 고차원 파라미터 공간: 설계 변수가 매우 많고 상호 의존적이어서 최적의 구성을 찾는 것이 어렵습니다.
• 데이터 관리의 어려움: 다양한 시뮬레이션 도구에서 생성된 방대한 양의 데이터를 체계적으로 관리하고 재사용하기가 복잡합니다.
• 신소재 도입의 필요성: 고온 초전도체 (HTS) 와 같은 새로운 소재의 등장은 기존 모델링 및 최적화 도구의 개선을 요구합니다.

2. 방법론 (Methodology)

CEA 는 이러한 과제를 해결하기 위해 ALESIA라는 새로운 AI 기반 최적화 및 데이터 관리 플랫폼을 개발했습니다. ALESIA 는 Python 과 Cython 으로 구축되었으며, 다음과 같은 7 가지 주요 모듈로 구성됩니다:

1. 프로젝트 관리자 (Project Manager): 시뮬레이션 스크립트, 입력 파라미터, 생성된 데이터 등을 통합 관리하며 병렬 실행을 지원합니다.
2. 데이터베이스 (Databases): HDF5 형식을 사용하여 시뮬레이션 결과를 저장하고, SQL 기반의 통합 재료 물성 데이터베이스를 구축하여 설계 전 과정에서 일관된 데이터 접근을 보장합니다.
3. 물리 소프트웨어 인터페이스 (Interface with Physics Software): Opera, Ansys, Cast3M, Ibsimu 등 외부 시뮬레이션 코드와 직접 연동하거나 키워드 기반 스크립트 수정을 통해 데이터를 주고받습니다.
4. 다변수 최적화기 (Multiparametric Optimisers): 유전 알고리즘, CMA-ES, 베이지안 최적화, 활성 학습 (Active Learning) 등 다양한 휴리스틱 및 최적화 알고리즘을 제공합니다.
5. 지도 학습 기법 (Supervised Learning): 생성된 대량의 데이터를 기반으로 대리 모델 (Surrogate Model) 을 구축하여 추가 시뮬레이션 없이도 설계 공간을 빠르게 탐색할 수 있게 합니다.
6. 데이터 분석 도구 (Data Analysis Tools): Jupyter Notebook 기반의 자동화된 리포트 생성 및 메타데이터 관리를 지원합니다.
7. 사내 모델링 (In-House Modelling): 비오 - 사바르 법칙 기반의 해석적 모델 및 3D 단열 근사 기반의 퀸치 (Quench) 모델을 내장하여 재료 데이터베이스와 직접 연동합니다.

3. 주요 기여 및 적용 사례 (Key Contributions & Results)

가. 다물리 최적화 및 대리 모델 (Multiphysics Optimisation)

• SPIN ROTATORS 자석 설계: EIC(전자 - 이온 충돌기) 를 위한 Nb3Sn 솔레노이드 자석 설계에 ALESIA 를 적용했습니다. 전자기, 기계적, 퀸치 시뮬레이션을 자동화된 워크플로우로 연결하여 설계 변수를 최적화했습니다.
• 대리 모델 성능: 8,524 개의 시뮬레이션 데이터로 학습된 딥러닝 모델 (ResNet) 을 통해 자기장 적분값, 최대 자기장, 폰 미세스 응력, 퀸치 온도 등을 예측했습니다. 테스트 결과, $R^2$ 값이 0.95~0.99 로 매우 높은 정확도를 보였습니다.

나. 쉼 코일 (Shim Coils) 및 토폴로지 최적화

• 쉼 코일: 다중극 코일 (Dipole, Quadrupole 등) 의 기하학적 구조를 베이지안 최적화를 통해 자동 설계하여 자기장 균일성을 향상시키고 가장자리 장 (Fringe field) 을 줄였습니다.
• 토폴로지 최적화 (Topology Optimisation): 11.7 T MRI 자석의 단면 설계에 적용하여, 목표 자기장과 기계적 응력 (Von Mises stress < 160 MPa) 제약 하에서 자석 부피를 최소화하는 최적의 권선 분포를 수 분 내에 도출했습니다.

다. 고온 초전도체 (HTS) 최적화

• REBCO 테이프 활용: CERN 의 고자기장 자석 프로그램 및 ECRIS(전자 사이클로트론 공명 이온원) 를 위해 REBCO 기반 HTS 권선 최적화를 수행했습니다.
• 다중 스케일 접근: 기하학적, 전자기적, 기계적, 냉각 성능 등을 종합적으로 고려하여 ALESIA 와 pyrat (RAT 소프트웨어 래퍼) 를 결합해 설계 공간을 효율적으로 탐색했습니다.

라. ECRIS 설계 및 추출 시스템

• TOUHTATIS 프로젝트: 차세대 45 GHz ECRIS 설계를 위해 HTS 를 적용했습니다. 기계적 접촉 압력 분포를 최적화하기 위해 ALESIA 를 통해 엔지니어링 설계 변수 (판 두께, 간격 등) 를 조정했습니다.
• 활성 학습 기반 전극 설계: ibsimu 소프트웨어와 연동하여 빔 추출 시스템의 전극 형상을 진화 알고리즘 및 활성 학습으로 자동 최적화하여 저 에미턴스 (Low emittance) 빔을 확보했습니다.

마. 퀸치 보호 및 이상 탐지 (Quench Protection)

• 디지털 트윈: REBCO 코일의 전압 데이터를 기반으로 딥러닝 (CNN, LSTM) 및 의사결정나무 모델을 훈련하여 퀸치 발생을 조기에 탐지하고 (분류), 전압/자기장의 시간적 진화를 예측 (회귀) 하는 시스템을 개발 중입니다.
• 전파 속도 추정: 퀸치 전파 속도를 빠르게 추정할 수 있는 대리 모델을 개발하여, 3D 단열 퀸치 모델 (qaesar) 에 통합함으로써 보호 전략 수립을 가속화했습니다.

4. 의의 및 결론 (Significance)

• 설계 프로세스의 혁신: ALESIA 플랫폼은 수년 걸리던 초전도 자석 설계 기간을 단축하고, 고차원 파라미터 공간에서의 최적 설계를 가능하게 합니다.
• 다학제적 통합: 물리 시뮬레이션, 데이터 과학, 최적화 알고리즘을 하나의 통합된 환경에서 처리함으로써 설계 오류를 줄이고 재현성을 높였습니다.
• 확장성: 입자 가속기뿐만 아니라 MRI, 핵융합 장치 등 다양한 초전도 응용 분야로 기술 이전이 가능함을 입증했습니다.
• 미래 전망: 물리 정보 기반 신경망 (PINN) 이나 생성형 AI 를 활용한 자동화된 워크플로우 구축 등 AI 기술의 심층 통합을 통해 초전도 자석 설계의 패러다임을 변화시킬 것으로 기대됩니다.

이 논문은 CEA 가 데이터 기반 접근법과 AI 기술을 활용하여 복잡한 초전도 자석 설계의 난제를 해결하고 있는 선구적인 사례를 제시합니다.