Pretrained Approximators for Low-Thrust Trajectory Cost and Reachability

본 논문은 다양한 궤도 환경에서 재학습 없이 일반화할 수 있도록 스케일링 법칙과 자기유사 변환을 활용하여 저추력 궤적 비용과 도달성을 정확하고 효율적으로 근사하는 머신러닝 대리 모델을 소개한다.

핵심

지구에서 소행성으로 우주선을 운항하는 가장 좋은 방법을 찾아야 하는 우주 임무 기획자라고 상상해 보세요. 매우 약하지만 매우 효율적인 엔진 (느리게 표류하는 이온 추진기 같은 것) 을 사용하는 경우입니다.

과거에는 각 임무마다 완벽한 경로를 찾아내는 것이 새로운 곳으로 이동할 때마다 처음부터 거대하고 복잡한 수학 퍼즐을 푸는 것과 같았습니다. 슈퍼컴퓨터조차 단일 경로를 계산하는 데만 며칠이 걸렸습니다. 천 개의 다른 소행성을 확인하고 싶다면 수년을 기다려야 했을 것입니다.

이 논문은 수백만 개의 경로를 암기한 베테랑 우주 조종사처럼 행동하는 새로운 "스마트 어시스턴트"(머신러닝 모델) 를 소개합니다. 매번 수학 퍼즐을 푸는 대신, 이 어시스턴트는 연료 소모량과 여행 시간을 즉시 예측합니다.

다음은 이 어시스턴트가 어떻게 구축되었으며 왜 그렇게 잘 작동하는지를 간단한 비유로 설명한 내용입니다:

1. "스케일링 법칙" 발견: 크기가 클수록 더 좋다

연구자들은 흥미로운 점을 발견했습니다. 컴퓨터에 제공하는 "연습 문제"가 많을수록, 그리고 컴퓨터의 뇌를 더 "똑똑하게" 만들수록 (뉴런 층을 더 추가함으로써) 경로 예측 능력이 향상되었습니다.

• 비유: 체스를 배우는 것과 같습니다. 10 게임을 하면 보통 수준이 되지만, 마스터와 10,000 게임을 하면 매우 실력이 좋아집니다. 그들은 컴퓨터가 더 나아질 수 있는 "한계"가 없다는 것을 발견했습니다. 더 많은 데이터를 공급하고 더 큰 뇌를 제공하기만 하면 선형적으로 계속 향상되었습니다.

2. "호모토피 레이 (Homotopy Ray)" 방법: 가장자리에서 훈련하기

이 어시스턴트를 훈련시키기 위해 우주 경로에 대한 방대한 데이터셋이 필요했습니다. 하지만 우주에서 시작점과 끝점을 무작위로 선택하면, 대부분의 경로는 저추력 엔진으로는 도달할 수 없습니다. 이는 학생에게 답의 99% 가 "불가능"인 수학 문제를 풀라고 요구하는 것과 같습니다.

• 비유: 무작위 추측 대신 그들은 "호모토피 레이"라는 방법을 사용했습니다. 두 점 사이에 늘어진 고무줄 (유효하고 쉬운 경로) 이 있다고 상상해 보세요. 고무줄이 끊어지기 직전이 될 때까지 천천히 더 팽팽하게 당깁니다. 그 "끊어지는 지점"이 가능한 것의 한계입니다.
• 그들은 쉬운 경로에서 시작해 한계까지 천천히 늘려가며 수백만 개의 경로를 생성했습니다. 이를 통해 컴퓨터는 불가능한 경로에 시간을 낭비하는 대신, 가장 중요하고 어렵고 유용한 경로, 즉 실현 가능성의 가장자리에 있는 경로를 학습하도록 보장했습니다.

3. "보편적 번역기": 어디서나 같은 패턴을 보임

이전 AI 모델들의 가장 큰 문제 중 하나는 화성으로만 운항하는 법을 아는 전문가처럼 행동했다는 점입니다. 목성에 대해 물어보면 실패했습니다.

• 비유: 연구자들은 우주 여행의 물리학이 "자기 유사성"을 가진다는 것을 깨달았습니다. 지구에서 가까운 소행성으로 가는 여행은 수학적으로 목성에서 위성으로 가는 여행과 동일합니다. 단지 크기와 시간의 규모만 다를 뿐입니다.
• 그들은 데이터를 위한 "보편적 번역기"를 만들었습니다. AI 에게 숫자를 입력하기 전에 "이곳은 100 만 킬로미터 떨어져 있다"와 같은 구체적인 세부 사항을 제거하고 "시작 거리의 10 배"와 같은 상대적 비율로 변환했습니다.
• 결과: AI 는 특정 숫자가 아니라 문제의 "형태"를 학습했습니다. 이는 지구 - 화성 데이터로 훈련된 동일한 AI 모델이 재훈련 없이도 지구 - 목성 경로나 다른 행성 주변의 경로를 즉시 예측할 수 있음을 의미합니다. 자동차 운전법을 가르치는 것과 같습니다. 일단 도로 규칙을 배우면 포드나 도요타를 운전할 때 새로운 수업을 받을 필요가 없는 것과 같습니다.

4. AI 가 실제로 수행하는 작업

팀은 두 가지 특정 "뇌"를 구축했습니다:

• 연료 계산기: 시작점, 도착점, 시간 제한을 입력받으면 정확히 얼마나 많은 연료를 소모할지 예측합니다.
• 시간 계산기: 시작점, 도착점, 연료 예산을 입력받으면 그곳에 도달할 수 있는 가장 빠른 시간을 예측합니다.

5. 작동 증명

그들은 단순히 작동한다고 주장하는 데 그치지 않고 세 가지 방법으로 테스트했습니다:

• 공개 챌린지: 다른 과학자들이 만든 데이터셋으로 테스트했습니다. 그들의 AI 는 특히 까다로운 저연료 경로에서 이전 방법보다 훨씬 정확했습니다.
• "소행성 점프" 게임: 정해진 시간 내에 가능한 한 많은 소행성을 방문하는 것을 목표로 하는 유명한 우주 임무 대회 (GTOC4) 에서 이를 사용했습니다. AI 는 매우 효율적인 경로를 설계하는 데 도움을 주었습니다.
• "포크칩 (Porkchop)" 지도: 임무 계획에서 엔지니어들은 최적의 발사 날짜와 여행 시간을 보여주는 "포크칩 플롯 (지도)"을 그립니다. 전통적으로 이러한 지도 하나를 그리는 데는 슈퍼컴퓨터 시간이 며칠이 걸렸습니다. AI 는 이 지도들을 1 초의 일부로 생성하여 기획자들이 임무 발사의 "최적 지점"을 즉시 볼 수 있도록 했습니다.

요약

이 논문은 우주 여행 계획에 대한 보편적인 단축키 역할을 하는 "사전 훈련된" AI 도구를 제시합니다. 방대하고 지능적으로 생성된 데이터셋으로 훈련하고 관련 없는 세부 사항을 무시하는 "번역" 시스템을 사용함으로써, 이 AI 는 목적지나 행성에 관계없이 저추력 여행에 필요한 연료량과 시간을 임무 기획자에게 즉시 알려줍니다. 이는 며칠 동안의 중대한 계산을 필요로 했던 과정을 순간적인 예측으로 바꾸어, 보다 야심 찬 미래 우주 임무를 설계하는 것을 훨씬 쉽게 만듭니다.

기술 요약

기술 요약: 저추력 궤적 비용 및 도달성 평가를 위한 사전 학습된 근사기

문제 제기

저추력 전기 추진은 높은 비추력과 유연성을 제공하여 현대 우주 임무에 필수적인 기술입니다. 그러나 그 적용은 임펄스 기동에서 비선형 최적 제어 문제를 풀어 유도된 연속 제어 법칙으로 궤적 설계를 근본적으로 전환시킵니다. 고충실도 최적 제어 방법이 존재하지만, 설계자가 다양한 경계 조건 하에서 수백만 개의 후보 전이 궤적을 평가해야 하는 초기 임무 설계 및 전역 최적화 단계에서는 계산 비용이 과도하여 실용적이지 않습니다.

기존 근사 기법들, 예를 들어 해석적 (Edelbaum 유형) 또는 준해석적 (Lambert 기반) 방법들은 계산 효율성이 높지만 종종 특정 역학 영역으로 제한됩니다. 데이터베이스 기반 접근법은 더 높은 정확도를 제공하지만 학습 영역 밖에서는 성능이 저하됩니다. 최근의 머신러닝 (ML) 대리 모델 (Value Networks) 은 유망한 결과를 보이지만 다음과 같은 한계에 직면해 있습니다: 일반적으로 좁게 정의된 시나리오에 대해 훈련되며, 서로 다른 궤도 영역이나 중심 천체 간에 일반화 능력이 부족하고, 공개 데이터셋과 사전 학습된 모델의 부족으로 독립적인 검증이 어렵습니다.

방법론

1. 데이터 생성: 호모토피 레이 방법

데이터 부족과 분포 편향을 해결하기 위해, 저자들은 대규모 임무 지향 데이터셋을 생성하기 위한 호모토피 레이 방법 (Homotopy Ray Method) 을 제안합니다.

• 전략: 많은 비실현 가능한 전이를 초래하는 균일 무작위 샘플링 대신, 이 방법은 실현 가능한 케플러 궤도 해에서 시작합니다. 그런 다음 경계 조건 공간에서 무작위 "레이"를 따라 초기 및 종단 속도를 교란시키며 도달성 경계 (reachability boundary) 를 향해 이러한 해를 점진적으로 변형시킵니다.
• 연속성: 호모토피 매개변수가 변형을 제어합니다. 이전 해의 공변량 (costates) 은 각 단계에서 슈팅 방법의 초기 추정값으로 사용되어 빠른 수렴을 보장합니다.
• 타겟팅: 이 전략은 실현 가능 영역과 전이가 비실현 가능해지거나 최대 연료가 필요한 중요한 도달성 경계를 밀집하게 채웁니다. 이러한 영역은 최적화에 가장 관련이 높지만 무작위 데이터셋에서는 종종 과소 대표됩니다.
• 규모: 이 방법은 단일 및 다중 회전 전이를 포함하고, 다양한 궤도 요소 (이심률 0–1, 경사각 0–180°) 및 다양한 추진 매개변수를 포괄하는 약 1 억 개의 궤적 샘플 데이터셋을 생성했습니다.

2. 문제 형식화 및 간접 방법

해당 데이터셋은 간접 방법 (Pontryagin 최소 원리) 을 양점 경계값 문제 (TPBVPs) 로 변환하여 두 가지 최적 제어 문제를 풀어서 구성됩니다.

• 연료 최적화: 추진제 소비를 최소화합니다.
• 시간 최적화: 전이 시간을 최소화합니다.
• 기법: 저자들은 특이점을 피하기 위해 수정된 적도 좌표계 요소 (MEE) 를 사용하고, bang-bang 제어를 부드럽게 하기 위해 로그 호모토피를 적용하며, 수렴성을 개선하기 위해 공변량 벡터를 정규화합니다. 다중 회전 시간 최적 전이의 경우, 분기를 피하고 견고한 수렴을 보장하기 위해 "궤도 대 궤도" 제약 (최종 진근점 경도를 완화) 을 사용합니다.

3. 차원 축소 및 자기 유사 변환

재훈련 없이 다양한 임무 시나리오에 대해 단일 모델이 일반화되도록 하기 위해, 저자들은 물리적 불변성을 활용하는 자기 유사 변환 (self-similar transformation) 을 도입합니다.

• 회전 불변성: 출발 위치가 x 축과 정렬되고 도착 위치가 xy 평면에 위치하도록 좌표계를 회전시켜 세 가지 중복 자유도를 제거합니다.
• 차원 불변성: 변수들을 기준 길이 ($L_0 = \|r_0\|$) 와 시간 ($T_0 = \sqrt{L_0^3/\mu}$) 을 사용하여 무차원화합니다. 이는 절대 규모와 중력 매개변수 $\mu$ 에 대한 명시적 의존성을 제거합니다.
• 입력 특징: 입력 벡터는 17 개 변수에서 11 개의 독립적인 무차원 특징으로 축소됩니다. 특히, Lambert 솔버 해 (2-임펄스 전이 특성) 가 강력한 물리적 사전 지식을 제공하기 위해 입력 특징으로 포함됩니다.

4. 신경망 아키텍처

• 단일 회전: 9 개의 은닉 층과 층당 128 개의 뉴런을 가진 표준 심층 신경망을 사용합니다.
• 다중 회전: 증가된 비선형성과 제어 전환을 처리하기 위해 스킵 연결이 포함된 잔차 다층 퍼셉트론 (ResMLP) 을 사용합니다.
• 스케일링 법칙: 저자들은 근사 오차가 데이터셋 크기와 모델 매개변수의 로그에 대해 선형적으로 감소하며, 탐색된 영역에서 포화 현상의 증거가 없음을 관찰했습니다. 이는 모델 복잡성을 무한정 증가시키기보다 데이터셋 크기를 확장하는 결정을 이끌었습니다.

주요 기여

1. 스케일링 법칙 관찰: 이 논문은 저추력 궤적 근사가 데이터와 모델 용량의 증가에 따라 체계적으로 성능이 향상되는 스케일링 법칙을 따름을 경험적으로 증명하여, 대규모 데이터셋 구축을 정당화합니다.
2. 호모토피 레이 데이터 생성: 설계 공간의 중요한 영역 (저연료 및 도달성 경계) 을 효율적으로 포착하는 고품질, 경계 중심 데이터셋을 생성하는 새로운 전략입니다.
3. 자기 유사 일반화: 반장축, 경사각, 중심 천체, 추진 매개변수가 서로 다른 경우에도 단일 사전 학습된 모델이 일반화되도록 하는 변환을 도입하여 시나리오별 재훈련의 필요성을 제거했습니다.
4. 오픈소스 공개: 저자들은 훈련된 모델, 대규모 데이터셋, 그리고 구현 코드 (C++, Python, MATLAB) 를 커뮤니티에 공개했습니다.

결과 및 성능

모델은 세 가지 측면에서 검증되었습니다:

1. 공개 데이터셋 벤치마크: Acciarini 등 [34] 의 데이터셋에서 테스트되었습니다. 제안된 모델은 연료 예측에 대해 평균 절대 오차 (MAE) 9.73 m/s(상대 오차 1.21%) 를 달성하여 기준 모델 (65.49 m/s, 8.26%) 을 크게 능가했으며, 특히 저추력 영역 ($\Delta v < 1000$ m/s) 에서 두드러졌습니다.
2. GTOC4 다중 플라이바이 임무: 10 년, 49 개의 소행성 플라이바이 임무에 적용되었습니다. 모델은 구간별 $\Delta v$ 요구 사항을 정확하게 예측 (MAE 약 10 m/s) 하여 거의 최적의 궤적 평가를 가능하게 했으며, 복잡한 순차적 임무 계획에서의 유용성을 입증했습니다.
3. Porkchop Plot 생성: 지구 - 소행성 랑데부 임무의 신속한 스크리닝에 사용되었습니다. 대리 모델은 고충실도 솔버가 며칠이 소요되는 것에 비해 무시할 수 있는 시간 내에 비용 지형 (porkchop plot) 을 생성하여 실현 가능한 저비용 창구를 정확하게 식별하고, 국소 최적점으로 인해 기존 솔버가 수렴하지 못한 경우를 처리했습니다.

정확도 지표:

• 단일 회전: 연료 ($\Delta v$) 에 대한 평균 상대 오차 (MRE) 0.014%, 시간 ($\Delta t$) 에 대해 0.63%.
• 다중 회전: 연료에 대한 MRE 0.003%, 시간에 대해 0.54%.

중요성 및 주장

이 논문은 저추력 궤적 평가의 패러다임을 시나리오별 "재해석 및 재훈련" 워크플로우에서 작업 재사용 가능한 사전 학습된 모델로 전환한다고 주장합니다. 스케일링 법칙과 물리적 대칭성을 활용함으로써, 이 프레임워크는 계산 비용이 많이 드는 최적 제어와 신속한 임무 설계 탐색 사이의 간극을 메웁니다.

저자들은 그들의 접근 방식이 행성 과학자 등 비전문가들의 진입 장벽을 낮춘다고 강조합니다. 이를 통해 최적 제어 이론에 대한 깊은 전문 지식 없이도 차세대 행성 간 임무에 대한 신속한 도달성 및 비용 평가를 수행할 수 있게 됩니다. 이 모델들은 재훈련 없이 다양한 임무 설계 매개변수와 궤도 환경을 처리할 수 있는 다목적 고충실도 대리 모델로 제시됩니다.