FPGA-Accelerated Real-Time Diagnostics at DIII-D Using the SLAC Neural Network Library for ML Inference

본 논문은 핫스왑 가능한 신경망 가중치를 통해 파괴적인 에지 국소화 모드의 실시간 적응형 예측 및 억제를 가능하게 하기 위해 DIII-D 토카막에서 SLAC 신경망 라이브러리를 활용한 FPGA 가속 머신러닝 추론 시스템의 성공적인 배포를 입증합니다.

핵심

거대한 자기 병 안에 거대하고 초고온의 별이 잡혀 있다고 상상해 보세요. 이것이 바로 토카막으로, 과학자들이 깨끗하고 무한한 에너지(핵융합)를 만들어 내기 위해 사용하는 기계입니다. 문제는 그 안의 "별"이 기분이 변덕스럽다는 점입니다. 그것은 흔들리고, 급상승하며, 때로는 **Edge Localized Mode(ELM, 국소화 경계 모드)**라는 이름의 난동을 부리기도 합니다. 이러한 난동이 너무 커지면 기계를 손상시키거나 반응을 중단시킬 수 있습니다.

기계가 안전하게 작동하도록 유지하기 위해 과학자들은 별을 24 시간 내내 감시하고, 난동이 임박했을 때를 예측하며, 즉시 "진정" 버튼을 누를 수 있는 "수호자"가 필요합니다.

이 논문은 DIII-D 핵융합 반응로 팀이 FPGA(Field-Programmable Gate Array, 현장 프로그래밍 가능 게이트 어레이)라는 특수한 유형의 컴퓨터 칩과 **SLAC 신경망 라이브러리(SNL)**라는 맞춤형 "두뇌"를 사용하여 초고속 지능형 수호자를 구축한 방법을 설명합니다.

다음은 간단한 비유를 사용하여 작동 원리를 설명한 내용입니다:

1. 문제: "너무 빠른" 별

이 기계는 초당 백만 장의 사진을 찍는 고속 카메라처럼 엄청난 양의 데이터를 생성합니다. 노트북이나 강력한 서버에 있는 전통적인 컴퓨터들은 이 데이터를 분석하고, 난동이 임박했는지 판단하며, 발생하기 전에 이를 막기 위한 명령을 보내는 데에는 너무 느립니다. 일반 컴퓨터가 계산을 마치기에는 이미 피해가 발생한 후입니다.

2. 해결책: 칩 위의 "전문가 두뇌"

모든 데이터를 느린 컴퓨터로 보내는 대신, 팀은 데이터를 수신하는 칩 위에 작고 전문화된 두뇌를 직접 배치했습니다.

• 칩: 그들은 AMD/Xilinx KCU1500 FPGA를 사용했습니다. 이는 필요에 따라 즉시 어떤 도구로든 재구성할 수 있는 레고 보드라고 생각하면 됩니다.
• 두뇌: 그들은 다가오는 난동의 특정 "징후"를 인식하도록 신경망(인공지능의 한 유형)을 훈련시켰습니다. 이 두뇌는 **SLAC 신경망 라이브러리(SNL)**를 사용하여 구축되었습니다.

3. 작동 원리: "즉시 번역기"

다음은 릴레이 경주처럼 설명된 정보의 흐름입니다:

1. 눈 (센서): 기계는 플라즈마의 가장자리를 감시하는 **Beam Emission Spectroscopy(BES, 빔 방출 분광법)**라는 센서를 갖추고 있습니다. 그들은 "별"의 미세한 잔물결을 감지합니다.
2. 필터 (전처리기): FPGA 는 160 개의 서로 다른 센서로부터 폭포수처럼 쏟아지는 데이터를 받습니다. 이는 클럽의 도어맨처럼 즉각적으로 노이즈를 필터링하고, 실제로 난동을 예측하는 16 개의 가장 중요한 신호만 통과시킵니다.
3. 결정 (AI): AI 는 눈 깜짝할 사이보다 빠른 48 마이크로초의 짧은 시간 조각을 살펴보고 질문합니다: "난동이 오고 있는가?"
   • 현재 상태를 분류합니다 (차분한가? 격해지고 있는가?).
   • 난동의 가능성을 계산합니다.
4. 행동 (제어기): AI 가 "예, 난동이 발생할 가능성이 높다"고 말하면, 즉시 별도의 제어기에 신호를 보냅니다. 이 제어기는 공명 자기 섭동 코일 (Resonant Magnetic Perturbation coils) 같은 자석을 작동시켜 플라즈마를 안전하게 모양으로 부드럽게 밀어내어 기계에 피해를 주기 전에 난동을 막습니다.

4. 초능력: "온라인 교체" 가능한 두뇌

이 시스템의 가장 멋진 점은 유연성입니다. 일반적으로 컴퓨터 칩의 사고 방식을 변경하려면 분해하고 재건한 뒤 다시 시작해야 합니다. 이는 며칠이 걸립니다.

SNL 라이브러리를 사용하면 팀은 기계가 작동하는 동안 두뇌를 실시간으로 업데이트할 수 있습니다.

• 비유: 요리사가 요리를 한다고 상상해 보세요. 보통 레시피를 변경하려면 주방 전체를 다시 지어야 합니다. 이 시스템에서는 요리사가 스토브를 끄지 않고도 레시피 카드를 즉시 교체할 수 있습니다.
• 실제 적용: 그들은 AI 를 "난동 예측"에서 "플라즈마 안정성 확인"으로 순간적으로 전환할 수 있습니다. 또한 기계를 끄지 않고도 새로운 데이터에서 학습하기 위해 수학 (가중치와 편향) 을 업데이트할 수도 있습니다.

5. 결과: 속도와 성공

• 속도: 데이터를 보고 결정을 내리는 전체 과정은 약 5.28 마이크로초가 걸립니다. 이는 매우 빠른 속도로, 벌새가 날개를 한 번 치는 시간과 같습니다.
• 효율성: 칩은 매우 적은 전력과 공간을 사용하여 나중에 더 복잡한 작업을 추가할 여지를 남깁니다.
• 현장 테스트: 그들은 실제 실험 중 이 시스템을 성공적으로 사용하여 이러한 교란 사건을 예측하고 억제했으며, 이는 고위험 환경에서 실제로 작동함을 입증했습니다.

요약

이 논문은 센서를 읽는 하드웨어에 직접 지능적이고 적응력 있는 AI 를 배치함으로써 과학자들이 핵융합 반응로의 문제에 거의 즉각적으로 대응할 수 있음을 보여줍니다. 이는 반응로에 느린 "사고" 부분을 우회하는 반사 신경을 부여하여 실시간으로 위험을 피할 수 있게 하는 것과 같습니다. 이는 미래에 안전하고 지속적으로 작동할 수 있는 핵융합 반응로를 구축하는 데 중요한 단계입니다.

기술 요약

"SLAC 신경망 라이브러리를 활용한 ML 추론을 통한 DIII-D 의 FPGA 가속 실시간 진단"에 대한 상세한 기술 요약입니다.

1. 문제 제기

DIII-D 토카막 핵융합 반응로는 플라즈마 안정성을 유지하고 교란, 특히 **경계 국소화 모드 (ELMs)**를 방지하기 위해 실시간 제어 시스템이 필요합니다. ELM 은 반응로 구성 요소를 손상시키고 가둠을 저하시킬 수 있는 폭발적 사건입니다.

• 과제: 기존 플라즈마 제어 시스템은 물리 기반 모델과 경험적 규칙에 의존하는데, 이는 종종 운영 한계 근처의 예상치 못한 전이를 처리하는 적응력이 부족합니다.
• 병목 현상: 기계 학습 (ML) 은 교란 예측과 같은 작업에 뛰어난 패턴 인식 능력을 제공하지만, 표준 CPU 나 GPU 에 ML 모델을 배포하면 종종 1ms 를 초과하는 지연 시간이 발생하여 토카막 제어 루프의 밀리초 미만 타이밍 제약과 양립할 수 없습니다.
• 필요성: 능동적이고 적응적인 제어를 가능하게 하기 위해 마이크로초 수준의 지연 시간으로 고대역폭 진단 데이터 (특히 빔 방출 분광법 또는 BES) 를 처리할 수 있는 하드웨어 가속 솔루션이 필요합니다.

2. 방법론

저자들은 DIII-D 실시간 플라즈마 제어 시스템 (PCS) 에 직접 통합된 하드웨어 가속 ML 추론 시스템을 개발하고 배포했습니다.

• 하드웨어 플랫폼:
  • 장치: Kintex-7 FPGA 를 호스팅하는 AMD/Xilinx KCU1500 FPGA.
  • 위치: RTSTAB 실시간 신호 획득 노드의 PCIe 버스에 직접 설치됨.
  • 연결성: 메인 PCS 호스트 및 액추에이터 제어기와 통신하기 위해 고속 InfiniBand 를 사용함.
• 소프트웨어 프레임워크:
  • SLAC 신경망 라이브러리 (SNL): 고성능 FPGA 기반 추론 프레임워크.
  • 작업 흐름: 모델은 표준 프레임워크 (PyTorch, TensorFlow, Keras) 를 사용하여 원격 HPC 클러스터에서 훈련되고, AMD Vitis 도구 체인 (고수준 합성) 을 사용하여 FPGA 배포를 위해 컴파일됨.
  • 주요 기능: SNL 은 비트스트림의 전체 하드웨어 재합성 (재컴파일) 없이 런타임에 신경망 가중치와 편향을 동적으로 다시 로드할 수 있습니다.
• 데이터 파이프라인:
  • 입력: 1 MSps 로 디지털화된 160 개의 진단 채널 (ECE, CO2, BES).
  • 전처리: FPGA 내 모듈이 16 개의 특정 BES 채널을 추출합니다. 각 채널당 48 개의 연속 시간 슬라이스 (48µs) 로 구성된 시간적 입력 창을 구성합니다.
  • 배칭: 시스템은 처리량을 극대화하기 위해 단일 사이클에서 18 개의 추론 이벤트 (프레임) 를 동시에 처리합니다.
• 신경망 아키텍처:
  • 유형: 다층 퍼셉트론 (MLP), 완전 연결 순방향 토폴로지.
  • 입력: 768 개의 특징 ($48 \text{ 시간 슬라이스} \times 16 \text{ 채널}$).
  • 은닉층: ReLU 활성화 함수를 사용하는 50 개의 뉴런을 가진 두 개의 층.
  • 출력: 작업에 따라 구성 가능 (1~4 개의 뉴런) (ELM 감지를 위한 이진 분류 vs 가둠 영역을 위한 4 클래스 분류).

3. 주요 기여

• 실시간 FPGA 배포: ML 추론 엔진을 DIII-D PCS 에 직접 성공적으로 통합하여 4.4–5.28 µs의 추론 지연 시간을 달성했습니다. 이는 데이터 수집 창口的 약 10% 로 엄격한 실시간 요구 사항을 충족합니다.
• 동적 재구성 가능성: 시스템을 중단하거나 FPGA 를 재합성하지 않고도 실험 운영 중에 신경망 가중치와 편향을 핫스왑하고 (심지어 출력 레이어 구성을 변경하는 것까지) 할 수 있는 능력을 시연했습니다. 이를 통해 다음이 가능해집니다:
  • 작업 간 전환 (예: ELM 예측 vs 가둠 영역 분류).
  • "개념 드리프트 (변화하는 반응로 조건)"에 적응하기 위한 지속적인 모델 정제.
  • 센서 고장이나 노화에 대응하기 위해 사용하지 않는 입력 채널을 마스킹.
• 종단 간 통합: 고속 디지털 변환기 (1 MSps) 에서 FPGA 추론을 거쳐 ELM 억제를 위한 액추에이터 제어 시스템 (공진 자기 섭동 코일) 에 이르는 원활한 파이프라인을 구축했습니다.
• 확장 가능한 아키텍처: 이 설계는 데이터 배칭 (사이클당 18 프레임) 과 병렬 데이터 전송 (클럭 사이클당 8 개 특징) 을 처리하기 위해 FPGA 에 전용 전처리 및 후처리 논리를 포함하여 최적의 자원 활용을 보장합니다.

4. 결과

• 성능 벤치마크:
  • 지연 시간: 4 클래스 분류 모델의 경우 5.28 µs 달성.
  • 자원 활용도: 이 설계는 Kintex-7 FPGA 에서 DSP 의 5%, 플립플롭의 8%, LUT 의 13%, **BRAM 의 1%**만을 사용하여 매우 효율적입니다. 이는 더 복잡한 모델이나 다중 작업 수행을 위한 상당한 여유 공간을 남깁니다.
  • 타이밍: 이 설계는 6ns 클럭 주파수에서 타이밍 제약을 충족합니다.
• 운영 검증:
  • 이 시스템은 폐루프 ELM 억제 실험 동안 성공적으로 사용되었습니다.
  • 운영자들은 모델 적응을 위해 샷 사이에 여러 번의 가중치/편향 재로드 사이클을 수행하여 런타임 업데이트의 실현 가능성을 입증했습니다.
  • 추론된 ELM 가능성 ($P$) 은 RMP 코일을 조정하기 위해 별도의 제어기로 성공적으로 라우팅되어 기능적인 교란 완화 루프를 시연했습니다.

5. 의의

• 미래 핵융합 반응로 구현: 이 작업은 자율적이고 적응적인 제어가 안전과 효율성에 필수적인 미래 연속 운영 핵융합 장치 (ITER 또는 DEMO 등) 에서의 반응로 관련 운영을 위한 중요한 템플릿을 제공합니다.
• 제어 패러다임의 전환: 이는 플라즈마 제어를 정적, 물리 기반 규칙에서 실시간으로 비선형 플라즈마 역학을 처리할 수 있는 적응형, 데이터 기반 전략으로 전환시킵니다.
• 일반화 가능성: DIII-D 에서 시연되었지만, 이 아키텍처 (SNL + FPGA + RTSTAB) 는 초저지연이 필요한 다른 고에너지 물리학 및 산업 제어 시스템에서 일반적인 ML 기반 진단 처리를 위한 청사진 역할을 합니다.
• 미래 전망: 저자들은 현재 병목 현상인 CPU 기반 미들웨어 계층을 제거하여 디지털 변환기에서 FPGA 로의 직접 스트리밍을 허용하면 지연 시간을 더욱 줄이고 고에너지 물리학의 지능형 트리거 시스템과 유사한 진정한 연속적이고 이벤트 기반 제어를 가능하게 할 것이라고 지적합니다.

결론적으로, 이 논문은 재구성 가능하고 FPGA 가속화된 ML이 차세대 자율 핵융합 플라즈마 제어에 대해 가능할 뿐만 아니라 필수적이며, 토카막 반응로의 복잡하고 역동적인 환경을 관리하는 데 필요한 속도와 적응력을 제공한다는 것을 검증합니다.