MPEX AI Digital Twins

MPEX AI 디지털 트윈 프로젝트는 실험 및 물리 시뮬레이션 데이터를 기반으로 AI 모델을 학습시켜 재료 평가, 운영 제어 및 PMI 시뮬레이션을 위한 디지털 트윈을 구축함으로써 MPEX 장치의 과학적 산출물을 극대화하는 것을 목표로 합니다.

핵심

별이 기계 안에 갇혀 있다고 상상해 보세요. 그 별을 위한 궁극적이고 파괴 불가능한 방패를 만들려고 노력한다고 가정해 봅시다. 이 기계는 MPEX(Material Plasma Exposure eXperiment, 물질 플라즈마 노출 실험)라고 불리며, 그 임무는 미래의 핵융합 발전소 내부의 조건을 견딜 수 있는지 확인하기 위해 특수 소재를 초고온, 초고속 입자로 폭격하는 것입니다.

문제는 이 "별"이 예측 불가능하다는 점입니다. 이 별은 실수로 잘못된 위치에 레이저처럼 뜨거운 빔을 갑자기 쏘아 기계의 창문을 갈라놓거나 시험 소재를 녹일 수 있습니다. 모든 가능한 소재를 일일이 수동으로 테스트하는 것은 영원히 걸릴 뿐만 아니라 천문학적 비용이 듭니다.

이 논문은 MPEX AI 디지털 트윈이라는 해결책을 제안합니다. 이를 실제 MPEX 기계의 "비디오 게임" 버전으로 생각하되, 실제 기계로부터 학습하고 미래를 예측할 정도로 매우 똑똑한 버전이라고 상상해 보세요. 팀이 이를 구축하는 계획은 다음과 같이 간단한 단계로 나뉩니다.

1. "사진 앨범"과 "똑똑한 눈"

먼저, 팀은 데이터를 정리해야 합니다. MPEX는 소재가 폭격을 받기 전과 후에 수천 장의 고속 사진을 촬영합니다.

• 비유: 수백만 장의 흐릿한 사진을 보며 범죄를 해결하려는 형사를 상상해 보세요. 팀은 이 사진들에서 가장 미세한 균열, 녹은 부분, 혹은 거친 부분을 즉시 찾아내기 위해 이러한 사진들을 즉시 확대할 수 있는 "똑똑한 눈"(AI)을 구축하고 있습니다.
• 목표: 인간이 며칠 동안 화면을 응시하는 대신, AI 가 자동으로 발생한 피해량을 정확히 측정하여 모든 시험에 대한 표준화된 "피해 보고서"를 작성합니다.

2. "가상 물리 실험실"

실제 실험은 비싸고 느립니다. 따라서 팀은 STRIPE라는 복잡한 컴퓨터 시뮬레이션을 구축하고 있습니다.

• 비유: 실제 MPEX 가 실제 비행기 날개를 테스트하는 풍동이라면, STRIPE 는 초고급 비행 시뮬레이터입니다. 이는 단순히 추측하는 것이 아니라, 바람 (플라즈마) 이 날개 (소재) 에 어떻게 부딪히는지, 금속이 어떻게 가열되는지, 그리고 어떻게 벗겨질 수 있는지 계산하기 위해 실제 물리 방정식을 사용합니다.
• 업그레이드: 그들은 이 시뮬레이션을 더 빠르게 실행하기 위해 AI 를 활용하고 있습니다. 보통 모든 단일 입자를 시뮬레이션하는 데는 영원히 걸립니다. AI 는 "바로 걸기"처럼 작동하여 패턴을 학습함으로써 결과를 몇 주 대신 몇 초 안에 예측할 수 있게 합니다.

3. "교통 경찰"(핫스팟 제어기)

가장 큰 위험 중 하나는 "핫스팟"입니다. 이는 열이 너무 강해져 기계의 창문을 갈라놓을 수 있는 아주 작은 영역입니다.

• 비유: 사각지대가 있는 자동차를 운전한다고 상상해 보세요. 충돌하기 전에 위험을 감지할 수 있는 조종사가 필요합니다. AI 핫스팟 제어기가 바로 그 조종사입니다. 이는 실시간 카메라 피드와 기계 설정을 감시합니다.
• 작동 원리: AI 가 위험한 열점이 형성되는 것을 감지하면, 기계의 자석에 대한 새로운 설정 (조금만 핸들을 돌리는 것과 같은) 을 즉시 제안하여 열을 창문에서 벗어나 목표 소재로 다시 유도합니다. 이는 시행착오를 통해 학습하지만, 인간이 할 수 있는 것보다 훨씬 빠르게 학습합니다.

4. "소재 오라클"(디지털 트윈)

이것이 대망의 하이라이트입니다. 팀은 실제 사진 ("똑똑한 눈"에서 나온 것) 과 컴퓨터 시뮬레이션 ("가상 실험실"에서 나온 것) 을 결합하여 마스터 AI 모델을 훈련시키고자 합니다.

• 비유: 세상 모든 요리를 맛본 동시에 모든 재료의 화학적 성질을 알고 있는 셰프를 상상해 보세요. 만약 "이 새로운 향신료와 저 새로운 고기를 섞으면 어떻게 될까?"라고 묻는다면, 셰프는 요리를 해보지 않아도 그 답을 알 수 있습니다.
• 목표: 이 "소재 오라클"은 한 번도 테스트해 본 적 없는 새로운 소재를 보고 플라즈마에 어떻게 견딜지 정확히 예측할 수 있습니다. 수천 개의 가상 소재를 "꿈꾸어" 시뮬레이션에서 테스트한 후 과학자들에게 이렇게 말할 수 있습니다. "이 999 개를 테스트하는 시간을 낭비하지 말고, 대신 이 특정 합금을 테스트하세요."

왜 이렇게 해야 할까요?

이 논문은 어떤 소재가 작동할지 추측하는 것은 비효율적이라고 주장합니다. 이 디지털 트윈을 구축함으로써 과학자들은 다음과 같은 이점을 얻을 수 있습니다.

1. 시간 절약: 가장 좋은 소재를 훨씬 빠르게 찾을 수 있습니다.
2. 비용 절감: 실패할 소재를 제작하고 테스트하는 것을 피할 수 있습니다.
3. 안전 유지: 실시간으로 민감한 부품에서 열을 유도하여 기계가 파손되는 것을 방지할 수 있습니다.

요약하자면, 그들은 세상 최초의 핵융합 발전소를 위한 방패를 설계하는 데 도움을 주는 초지능 가상 조수를 구축하고 있으며, 이를 통해 그 방패들이 별의 열기를 견딜 수 있도록 보장하고 있습니다.

기술 요약

기술 요약: MPEX AI 디지털 트윈

문제 제기
재료 플라즈마 노출 실험 (MPEX) 은 차세대 자기 가둠 핵융합 발전소의 극단적인 디버터 조건을 재현하도록 설계된 고출력 정상 상태 선형 플라즈마 장치로, 특히 20 MW/m²의 에너지 플럭스, 10³¹/m²의 이온 플루언스, 최대 10⁶초의 펄스 지속 시간을 목표로 합니다. 이러한 운영 마일스톤을 달성하는 데 있어 핵심적인 과제는 안테나 창과 선체 벽을 손상시킬 수 있는'핫스팟'을 방지하기 위해 플라즈마 플럭스를 제어하면서도, 강력한 플라즈마 - 재료 상호작용 (PMI) 하에서 장기 생존성을 검증하는 재료를 선정하는 것입니다. 제한된 수의 시험 샘플만 존재한다는 점을 고려할 때, 재료 선정 및 운영 제어를 위한 전통적인 경험적 방법은 비효율적입니다. 또한, 원자 수준의 스퍼터링부터 장치 규모의 불순물 수송에 이르기까지 복잡한 물리 현상은 실험 캠페인을 안내하고 최적의 플라즈마 접촉 재료 발견을 가속화하기 위한 통합적이고 예측적인 프레임워크가 필요합니다.

방법론
본 논문은 실험 데이터, 고급 물리 시뮬레이션, 인공지능 (AI) 을 통합하여 데이터 처리, 운영 제어, 재료 평가를 위한 폐루프 시스템을 구축하는 포괄적인"MPEX AI 디지털 트윈"프레임워크를 제안합니다. 방법론은 다음 여섯 가지 주요 기술 영역으로 구성됩니다:

1. 데이터 인프라 및 큐레이션:

   • 미국 과학 클라우드 통합: 실험 데이터 (프로토-MPEX 및 향후 MPEX 실행 데이터) 와 물리 시뮬레이션 데이터는 표준 스키마 (IMAS 와 유사) 를 사용하여 구성되고 미국 과학 클라우드로 전송됩니다.
   • 데이터 백본: 원시 이미지, 메타데이터, AI 출력, 트윈 상태를 연결하는 시스템이 구축됩니다. 이미지와 매니페스트는 버전 관리된 오브젝트 스토리지로 수집되고, AI 추론 (마스크, 특징, 불확실성) 은 열 형식 (HDF5) 으로 저장됩니다.
   • 인터페이스: NOVA-Galaxy 프레임워크를 맞춤형으로 개발하여 과학 데이터 분석 및 원격 고성능 컴퓨팅 (HPC) 리소스에서의 워크플로우 실행을 위한 웹 기반 인터페이스를 제공합니다.

2. AI 기반 이미지 분석:

   • 노출 전후의 고해상도 이미지를 수집하여 보정된 불확실성을 가진 정량적 형태를 출력하는 데이터 기반 파이프라인을 구축합니다.
   • 특징: 시스템은 균열 감지 (길이, 너비, 분기, 프랙탈 차원), 표면 용융 (비드 기하학, 면적 분율), 그리고 재증착 지표를 중점적으로 다룹니다.
   • 학습 전략: 이 접근법은 소량의 레이블이 지정된 시드 세트를 기반으로 한 자기지도 학습 전학습을 수행한 후, 활성 학습을 통해 미세 조정하여 운영자의 판단이 필요한 고불확실성 영역을 식별합니다.

3. 물리 시뮬레이션 프레임워크 (STRIPE):

   • RF 불순물 생성 및 방출 시뮬레이션 (STRIPE) 프레임워크는 MPEX 운영을 모델링하도록 업그레이드됩니다. 이는 플라즈마 수송, RF 가열, 시스 모델링, 이온 - 재료 상호작용, 그리고 불순물 수송을 결합합니다.
   • 운동론적 플라즈마 시뮬레이션: PICOS++(입자 - 셀) 는 운동론적 엔진으로 기능하며, 다중 주파수 RF 가열 (헬리콘, ECH, ICH) 을 모델링하도록 확장됩니다. 가속화 전략으로는 GPU 가속, 시간 분할, 그리고 비맥스웰 분포에 대한 속도 공간 샘플링 효율성을 향상시키기 위한 의사 가역 정규화 흐름 (PR-NF) 의 사용이 포함됩니다.
   • 하이브리드 모델링: 운동론적 - 유체 하이브리드 모델은 중성 입자와 플라즈마 모멘트를 효율적으로 처리하기 위해 PICOS++ 와 C1 유체 코드를 결합합니다.
   • 난류 모델링: LLNL 은 자이로 운동론 코드 COGENT 와 유체 코드 BOUT++/Hermes-3 를 사용하여 고성능 3 차원 난류 시뮬레이션에 기여합니다. 머신러닝은 잠재 공간 동역학 식별 (LaSDI) 을 통해 축소 차원 모델 (ROM) 을 개발하기 위해 통합됩니다.
   • PMI 모델링: 고급 스퍼터링 모델 (BCA, MLFF-MD, DFT) 과 WallDYN 코드가 통합되어 복잡한 세라믹 및 합금에 대한 침식, 재증착, 그리고 표면 조성 변화를 예측합니다.

4. AI 핫스팟 제어기:

   • 실시간 감지: AI 이미지 처리는 안테나 창과 벽의 핫스팟을 식별하기 위해 실시간 카메라 피드 (최대 초당 18,000 프레임) 를 분석합니다.
   • 제어 논리: 코일 전류 및 가열 전력과 핫스팟 위치/강도에 대한 데이터베이스로 학습된 AI 모델은 최적의 코일 전류 조정을 예측합니다. 목표는 자기 공명 점에 구속되면서 벽 가열을 최소화하는 방향으로 플라즈마를 표적에 유도하는 것입니다.

5. 표적 재료 시뮬레이션:

   • 열역학: 다중 스케일 물리 모델이 재료 반응을 검증합니다. 연속체 시뮬레이션 (ANSYS/COMSOL) 과 메쉬 프리 페리다이내믹스 코드 CabanaPD 는 열 충격 하에서의 균열 발생, 전파, 그리고 파편화를 시뮬레이션하는 데 사용됩니다.
   • 보정: AI 가 식별한 손상 특징은 상태 변수 (응력, 변형률, 온도) 에 매핑되어 베이지안 동화 루프에서 재료 매개변수를 보정하는 데 사용됩니다.

6. MPEX 재료 평가 AI 디지털 트윈:

   • 학습 데이터 생성: 트윈은 큐레이션된 실험 데이터와 물리 시뮬레이션으로 생성된 합성 데이터의 조합으로 학습됩니다. 합성 데이터는 아직 실험적으로 테스트되지 않은 재료 특성과 조성을 포함하도록 학습 도메인을 확장합니다.
   • 최적화: 학습된 AI 디지털 트윈은 다차원 보간을 수행하여 PMI 손상이 줄어든 최적의 재료 후보를 식별하며, 이는 물리 코드 또는 실험적 테스트를 통해 검증됩니다.

주요 기여

• 통합 시뮬레이션 프레임워크: STRIPE 프레임워크와 AI 가속 운동론 솔버 (PICOS++), 고급 스퍼터링 모델 (MLFF-MD), 그리고 난류 코드 (COGENT/BOUT++) 의 통합은 MPEX 를 위한 예측적이고 다중 충실도의 환경을 제공합니다.
• 운영 제어 AI: 장펄스, 고출력 운영 중 하드웨어 손상을 방지하기 위해 실시간 카메라 데이터와 코일 전류 최적화를 활용하는 AI 핫스팟 제어기 제안.
• 데이터 중심 재료 발견: 원시 실험 이미지를 표준화된 정량적 지표로 변환하고 이를 활용하여 고차원 재료 공간에서 최적 후보를 탐색할 수 있는 AI 디지털 트윈을 학습시키는 워크플로우.
• AI 준비 인프라: 실험 데이터, 시뮬레이션 출력, 그리고 AI 모델을 미국 과학 클라우드 생태계 내에서 연결하도록 특별히 설계된 데이터 백본 및 인터페이스 (NOVA-Galaxy) 개발.

결과 및 주장
본 논문은 MPEX 장치의 전체 가동 준비가 2026 회계연도 말에 예정되어 있으므로, 최종 실험 결과를 제시하지는 않습니다. 대신 기존 도구와 프로토-MPEX 데이터를 기반으로 제안된 기술 아키텍처와 예비 능력을 개요로 제시합니다:

• 프로토-MPEX 검증: 대리 모델링이 이미 14,666 개의 방전 데이터를 가진 프로토-MPEX 데이터에 적용되어 AI 개발을 위한 초기 코호트로 활용되었습니다.
• 알고리즘 준비성: 이미지 처리 파이프라인은 전자빔 노출 재료에 대한 기존 LDRD 노력에 기반하여 MPEX 에 맞게 적응되었습니다.
• 시뮬레이션 능력: STRIPE 프레임워크는 다른 선형 장치 (PISCES-RF) 와 토카막 (WEST, DIII-D) 에 성공적으로 적용되었습니다. 제안된 업그레이드 (RF 모듈이 포함된 PICOS++, PR-NF 가속화) 는 MPEX 고유의 조건을 처리하기 위한 필수적인 진화로 제시됩니다.
• 파일럿 연구: 저차원 데이터셋 (ORNL LDRD 의 전자빔 가열 실험에서 얻은 텅스텐 균열 데이터) 으로 AI 디지털 트윈 개발을 시작하여 전체 MPEX 데이터 적용 전 모델 확장성을 테스트할 것을 제안합니다.

의의
본 논문은 MPEX AI 디지털 트윈 프로젝트를 MPEX 임무의 핵심 촉진제로 위치시킵니다. AI 와 물리 시뮬레이션을 통합함으로써, 본 프로젝트는 다음과 같은 목표를 달성하고자 합니다:

1. 재료 선정 가속화: AI 를 사용하여 다차원 매개변수 공간을 보간하고 핵융합 디버터에 적합한 최적 재료를 식별함으로써 비효율적인 경험적 탐색을 넘어섭니다.
2. 운영 안전 보장: 핵심 구성 요소의 치명적인 핫스팟을 방지하기 위해 플라즈마 플럭스를 능동적으로 제어하여 MPEX 장치가 고출력, 장펄스 목표를 달성할 수 있도록 합니다.
3. 과학적 산출물 극대화: 물리적으로 아직 테스트되지 않은 재료에 대한 합성 데이터 생성과 사후 메타 분석을 가능하게 하는'큐레이션된 실험 데이터베이스'와 검증된 시뮬레이션 프레임워크를 구축합니다.
4. 협력적 발전: 변혁적 AI 모델 컨소시엄 (TAIMC) 과 미국 과학 클라우드를 활용하여 통합 데이터 표준을 수립하고 DOE 전체 단위의 데이터 생성 비용을 절감합니다.

저자들은 프로젝트의 궁극적인 성공은 실험적 검증, 물리 시뮬레이션, 그리고 AI 모델 정교화 사이의 반복적 피드백 루프에 달려 있으며, 이는 궁극적으로 차세대 핵융합 발전소 재료에 대한 예측 능력을 제공한다고 강조합니다.