MPEX AI Digital Twins Milestone Report

본 6 개월 진척 보고서는 MPEX 프로젝트의 두 가지 1 단계 AI 마일스톤인 헬리콘 AI 핫스팟 컨트롤러와 전자빔 손상 평가 디지털 트윈의 순조로운 개발을 개요로 하며, 물리 시뮬레이션과 DOE HPC 자원 및 미국 과학 클라우드를 통합하여 자동화된 데이터 분석과 AI 기반 운영을 가능하게 하는 갤럭시 소프트웨어 인터페이스 구성을 함께 다룹니다.

핵심

거대한 미래지향적 주방을 상상해 보세요. 여기서 과학자들은 완벽한 요리를 시도하고 있습니다: 핵융합 에너지. 이 "오븐"은 MPEX라는 기계이며, "재료"는 초고온 플라즈마와 특수 금속 벽입니다. 목표는 이러한 금속 벽이 극한의 열을 견디며 갈라지거나 녹지 않는지 테스트하는 것입니다.

그러나 이 주방에서 요리는 까다롭습니다. 열이 고르게 퍼지지 않기 때문입니다. 대신 "핫스팟"을 만들어 오븐 문이나 조리용 냄비에 구멍을 낼 수 있습니다. 벽이 갈라지면 실험은 실패합니다.

이 보고서는 이 주방을 건설 중인 과학자 팀 (오크리지와 로런스 리버모어 국립연구소 소속) 의 진행 상황 업데이트입니다. 그들은 이 주방을 위한 **"디지털 트윈"**을 구축하고 있습니다. 디지털 트윈을 실제 기계의 완벽한 가상 비디오 게임 버전으로 생각하세요. 그들은 이 가상 버전을 사용하여 실제 기계를 가동하기 전에 어떤 일이 발생할지 예측할 수 있도록 **인공지능 (AI)**을 수석 셰프로 가르치고 있습니다.

성공을 위한 그들의 두 가지 주요 "레시피"를 다음과 같이 정리해 봅니다:

1. "핫스팟" 컨트롤러 (오븐 문 보호)

문제:
실제 기계에서 열은 "헬리콘"이라고 불리는 특정 유형의 파동에서 나옵니다. 때로는 이 열이 한곳에 갇히는데, 이는 잎사귀에 햇빛을 집중시키는 돋보기처럼 작동하여 기계의 유리 창을 갈라뜨릴 수 있는 위험한 "핫스팟"을 만듭니다.

AI 솔루션:
과학자들은 열을 위한 교통 경찰처럼 작동하는 스마트 컨트롤러를 구축했습니다.

• 옛 방식: 과학자들은 열을 퍼뜨리기 위해 자기 "도로" (코일) 를 어떻게 조정할지 추측했습니다. 이는 고양이들이 어디로 달릴지 추측하며 몰아치는 것과 같았습니다.
• 새로운 방식: 그들은 기계의 3D 가상 모델을 만들었습니다. 그리고 특수 카메라로 찍은 열의 이미지를 보고 자기 도로를 어떻게 조정해야 열이 고르게 퍼질지 정확히 파악하도록 AI 를 가르쳤습니다.
• 비유: 파이프 미로에 물을 붓는 상황을 상상해 보세요. 한곳에 너무 빠르게 붓으면 터집니다. AI 는 모든 곳에서 물이 매끄럽게 흐르도록 밸브 (자기 코일) 를 즉시 조정하여 어떤 파이프도 터지지 않도록 하는 똑똑한 시스템과 같습니다.

현재 그들은 이 AI 를 "프로토-MPEX"라는 작은 테스트 주방의 데이터로 훈련시키고 있습니다. 그래야 대형 기계가 가동될 때 AI 는 이미 온도를 완벽하게 유지하는 방법을 알고 있게 됩니다.

2. "손상 탐정" (금속 균열 예측)

문제:
텅스텐으로 만든 금속 벽이 극한의 열 아래서 갈라지는지 테스트하고 있습니다. 이를 테스트하기 위해 그들은 금속을 가열하는 강력한 전자 빔 (초고속 헤어드라이어와 유사) 을 사용합니다. 그 후 현미경 사진을 찍어 균열을 세어봅니다.

• 과제: 테스트할 금속의 종류와 열 설정이 너무 많아 물리적으로 모두 테스트할 수 없습니다. 모든 단일 조합을 테스트하는 데는 영원히 걸릴 것입니다. 또한, 균열이 금속의 결정립 구조에 따라 다르게 나타나기 때문에 사진을 분석하기 어렵습니다.

AI 솔루션:
팀은 초지능 이미지 분석기와 예측 수정구를 구축했습니다.

• 이미지 분석기: 그들은 AI 에게 금속의 현미경 사진을 보고 크기가 얼마나 작거나 기이하게 보일지 상관없이 모든 균열을 자동으로 찾도록 가르쳤습니다. 이는 AI 에게 유리 조각의 미세한 균열을 즉시 찾아낼 수 있는 안경을 주는 것과 같습니다.
• 예측 수정구: 모든 금속을 테스트할 수 없기 때문에, 금속이 어떻게 부서지는지 계산하는 물리 시뮬레이터를 사용하여 "가짜" 데이터를 생성했습니다. 그들은 실제 사진과 가짜 물리 데이터를 결합하여 AI 에게 패턴을 가르쳤습니다.
• 비유: 구웠을 때 갈라진 점토 샘플이 몇 개 있다고 상상해 보세요. 새로운 점토 종류가 갈라질지 알고 싶습니다. 새로운 점토를 구워보는 대신 (시간이 걸림), AI 를 사용하여 이전 점토의 균열 "형태"와 점토가 부서지는 물리를 살펴보게 합니다. 그런 다음 AI 는 "이 온도로 이 새로운 점토를 구우면 여기에서 갈라질 가능성이 높습니다"라고 예측합니다.

3. "주방 관리자" (Galaxy 워크플로우)

이 모든 것이 작동하도록 하기 위해 과학자들은 Galaxy라는 중앙 제어판을 구축했습니다.

• 비유: 이는 마스터 레시피북과 주방 타이머가 결합된 것과 같습니다. AI, 물리 시뮬레이터, 실제 기계 데이터를 연결합니다. 과학자 (심지어 AI 자체) 가 몇 번의 클릭으로 복잡한 실험을 수행할 수 있게 하며, 모든 단계가 기록되고 재현 가능하도록 보장합니다. 이는 "디지털 트윈"을 하나로 묶는 접착제 역할을 합니다.

다음 단계 (6 월 목표)

2026 년 6 월까지 팀은 이 시스템의 작동 버전을 선보일 계획입니다:

1. 핫스팟을 위해: AI 는 작은 테스트 기계의 데이터를 사용하여 열을 중앙에 안전하게 유지하는 최상의 설정을 성공적으로 예측할 것입니다.
2. 손상을 위해: AI 는 실제 사진과 컴퓨터 시뮬레이션을 혼합하여 서로 다른 금속에서 균열이 형성될 위치를 성공적으로 예측할 것입니다. 이는 모든 금속 조각을 물리적으로 테스트하지 않고도 결과를 "추측"할 수 있음을 입증합니다.

요약:
과학자들은 그들의 융합 기계의 가상 트윈을 구축하고 있으며, 열을 관리하는 AI 셰프와 금속 균열을 예측하는 가상 탐정을 가르치고 있습니다. 이를 통해 그들은 더 빠르고, 안전하며, 똑똑하게 실험을 수행할 수 있게 되어, 깨끗하고 무한한 융합 에너지에 한 걸음 더 다가서게 됩니다.

기술 요약

기술 요약: MPEX AI 디지털 트윈 마일스톤 보고서

문제 진술
재료 플라즈마 노출 실험 (MPEX) 은 극한의 열 및 입자 플럭스 하에서 핵융합 발전소용 플라즈마 접촉 재료를 검증하도록 설계되었습니다. 중요한 운영상의 과제는 헬리콘 안테나 창을 포함한 플라즈마 접촉 부품에 국소적인 "핫스팟"이 형성되어 스퍼터링이나 구조적 고장으로 이어질 수 있다는 점입니다. 또한, 재료 손상 (균열, 침식) 을 평가하려면 광범위한 실험적 테스트가 필요하며, 이는 유한한 샘플 수와 다양한 재료 구성 및 노출 조건에 걸쳐 이용 가능한 데이터의 희소성으로 인해 제한됩니다. 본 프로젝트는 실험 데이터, 물리 시뮬레이션, 생성형 AI 를 결합하여 MPEX 운영을 실시간으로 최적화하고 재료 손상 평가를 가속화하기 위한 인공지능 (AI) 우위를 필요로 하는 문제를 해결합니다.

방법론
본 프로젝트는 헬리콘 가열 핫스팟 제어용 AI 디지털 트윈과 전자빔 (E-beam) 유발 재료 손상 평가용 AI 디지털 트윈 등 두 가지 주요 AI 디지털 트윈을 개발합니다.

1. 헬리콘 AI 핫스팟 제어기:

   • 물리 모델링: 팀은 헬리콘 가열의 고유한 방위각 비대칭성을 포착하기 위해 COMSOL 을 사용하여 2D 방위각 대칭 모델에서 고정밀 3D RF 시뮬레이션으로 전환했습니다. 이러한 결과는 플라즈마 생성 및 이동을 시뮬레이션하기 위해 HERMES-3 3D 유체 난류 코드와 결합되었습니다.
   • 플럭스 튜프 매핑: 자기력선을 따라 플럭스 튜프를 추적하여 헬리콘 창에서 하류 표적까지 열 플럭스를 매핑하는 축소 차수 프레임워크가 개발되었습니다. 이는 단순히 표면 좌표가 아닌 특정 플럭스 번들의 정체성을 보존합니다.
   • AI 아키텍처: 변이형 오토인코더 (VAE) 는 Proto-MPEX 적외선 (IR) 측정값과 시뮬레이션 데이터를 기반으로 훈련되었습니다. 이러한 생성 모델은 노이즈가 있는 실험 데이터와 다중 고정밀 시뮬레이션을 융합하기 위해 공유 잠재 공간을 학습합니다. AI 시스템은 핫스팟을 감지하고, 다양한 코일 전류 하에서 열 플럭스 재분포를 예측하며, 목표 플럭스를 유지하면서 창 부하를 최소화하기 위해 운영 매개변수를 권장하는 제어 지향 루프를 사용합니다.

2. E-beam 손상 평가 디지털 트윈:

   • 자동화된 특성 분석: 주사전자현미경 (SEM) 이미지를 위한 완전히 자동화된 이미지 처리 파이프라인이 개발되었습니다. 이는 Sato 리지 향상, 가우시안 평활화, 언샤프 마스킹, 삼각형 임계값을 활용하여 이질적인 재료와 해상도 전반에 걸쳐 균열 네트워크를 강력하게 식별하고 분할합니다.
   • 특징 인코딩 및 메트릭 학습: 이미지 패치는 사전 훈련된 DINOv2 비전 트랜스포머를 사용하여 인코딩되어 고차원 특징 벡터를 생성합니다. PCA 및 확산 매핑을 통한 차원 축소에서는 형태학적 유사성이 보존되는 저차원 매니폴드를 생성합니다. 메트릭 학습 접근법은 이 특징 공간의 거리를 실험 매개변수 공간 (온도, 열 플럭스, 합금) 의 거리와 정렬합니다.
   • 예측 및 시뮬레이션: 커널 릿지 회귀 (KRR) 는 학습된 메트릭을 기반으로 균열 밀도를 예측하는 데 사용됩니다. 데이터 희소성을 해결하기 위해 CabanaPD 페리다이나믹스 코드는 이방성 연속체 역학을 모델링하고 장시간 열충격 시뮬레이션을 수행하도록 확장되었습니다. 이러한 물리 기반 시뮬레이션은 실험 매개변수 공간의 공백을 메우기 위해 합성 데이터를 생성합니다.
   • 워크플로우 자동화: 모든 도구 (물리 코드, AI 모델, 데이터 분석) 는 Galaxy 웹 기반 플랫폼에 통합되어 재현 가능한 워크플로우와 DOE HPC 리소스로부터의 자동화된 데이터 수집을 가능하게 합니다.

주요 기여

• 3D RF 모델링: MPEX 헬리콘 시스템에 대한 최초의 3D COMSOL 시뮬레이션은 가장자리 충돌성과 다중 모드 여기로 인해 자기력선에 수직인 2D 평면에서 가열이 국소화됨을 밝혔으며, 이는 이전의 2D 대칭 가정을 반박합니다.
• 생성형 제어 프레임워크: 실험 조건 간을 성공적으로 보간하여 IR 열 플럭스 맵을 예측하고 중앙 플라즈마 가열을 위해 코일 전류를 최적화하여 방위각 핫스팟을 줄이는 VAE 기반 제어기 개발.
• 강력한 균열 식별: 다양한 SEM 이미지에서 균열 밀도를 추출할 수 있는 완전히 자동화된 매개변수 없는 이미지 처리 파이프라인 생성 및 Galaxy 를 통한 배포.
• 물리 정보 기반 AI 대리 모델: CabanaPD 페리다이나믹스 시뮬레이션을 AI 모델과 통합하여 실험 데이터가 희소한 영역, 특히 텅스텐 합금의 이방성 기계적 거동을 다루는 영역에 대한 훈련 데이터를 생성.
• 손상 평가를 위한 메트릭 학습: 확산 공간의 형태학적 유사성과 정렬되는 매개변수 공간의 학습된 메트릭 구현으로, 원시 매개변수 회귀보다 더 물리적으로 의미 있는 균열 밀도 예측 가능.

결과

• 핫스팟 제어: AI 제어기는 코일 전류를 변경하여 축 방향 열 비대칭성을 최소화할 수 있음을 입증했으나, 플라즈마 병렬 열 플럭스 변동으로 인해 방위각 비대칭성은 여전히 과제로 남아 있습니다. 시스템은 방위각 핫스팟을 줄이기 위한 결정적 요인이 중앙 플라즈마 가열임을 성공적으로 식별했습니다.
• 손상 예측: 자동화된 균열 식별 도구는 균열이 심한 표면과 손상되지 않은 표면 모두에서 신뢰할 수 있는 분할을 달성했습니다. 학습된 메트릭을 사용한 KRR 모델은 데이터가 존재하는 곳에서 좋은 예측 정확도를 보였으나, 데이터 희소성으로 인해 저손상 영역에서는 체계적으로 과소평가되는 경향을 보였습니다.
• 시뮬레이션 검증: 확장된 CabanaPD 코드는 다양한 텅스텐 합금에 대한 실험적 응력 - 변형률 데이터와 비교하여 검증되었으며, 이방성 기계적 응답을 성공적으로 포착하고 E-beam 열충격 조건 하에서 균열 개시를 예측했습니다.
• 워크플로우 통합: 물리 시뮬레이션 코드 (DREAM, GITR, CabanaPD) 의 하위 집합과 AI 균열 식별 도구가 HPC 리소스에 연결된 ORNL Galaxy 인스턴스에 성공적으로 배포되었습니다.

의의
본 논문은 이 작업이 AI 에이전트가 MPEX 운영을 자율적으로 제어하고 재료 손상을 평가할 수 있는 완전히 기능하는 과학 플랫폼의 기반을 마련했다고 주장합니다. 생성형 AI 와 메트릭 학습을 통해 고정밀 물리 시뮬레이션과 실험 데이터를 연결함으로써, 이 프로젝트는 플라즈마 - 재료 상호작용 (PMI) 손상이 감소된 최적의 재료를 위한 신속하고 생성적인 탐색을 가능하게 합니다. 이러한 기능을 Galaxy 프레임워크에 통합함으로써 MPEX 시설은 긴 펄스 동안 정지를 피하기 위해 AI 에이전트 의사결정으로 운영되고 새로운 후보 재료를 효율적으로 검증할 수 있으며, 비효율적인 경험적 탐색을 넘어설 수 있습니다. 본 보고서는 이러한 1 단계 마일스톤을 2 단계의 전조로 위치시키는데, 2 단계에서는 전체 시설 가열 및 냉각 시스템으로의 제어를 확장하고 추가적인 플라즈마 손상 모달리티를 통합할 예정입니다.