Validation-Gated Multi-Agent Governance for Online Adaptation of Thermal-Hydraulic Surrogate Models under Operating-Regime Shift

기술 요약: 온라인 열수력 대리 모델의 적응을 위한 검증 기반 다중 에이전트 거버넌스

문제 정의
실시간 열수력(TH) 예측은 실험 운영 지원, 디지털 트윈 모니터링 및 수동 안전성 평가를 위해 매우 중요하다. 고충실도 시스템 코드는 초 단위 예측을 수행하기에는 계산 비용이 너무 높지만, 인공지능(AI) 대리 모델은 저지연 대안을 제공한다. 그러나 중요한 한계점이 존재한다: 대리 모델은 일반적으로 특정 사전 훈련 범위 내에서 학습, 검증 및 동결된다. 이 모델들이 운전 체계가 변화하는 시설(예: 수동 열 제거 경로의 변화 또는 제어 정책 조정에 따른 변화)에 배치될 경우, 출력값 자체는 매끄러울지라도 물리적으로 부정확한 궤적을 생성할 수 있는 "조건 고정(condition-locked)" 문제를 겪게 된다.

기존의 지속 학습(continual learning) 접근 방식은 안정성과 가소성 사이의 딜레마에 직면해 있다. 공격적인 온라인 학습은 센서 결함을 증폭시키고, 최근의 윈도우에 과적합되거나, 이전 체계에 대한 파괴적 망각(catastrophic forgetting)을 유발할 위험이 있다. 반대로, 보수적인 결정론적 규칙(임계값, 냉각 기간, 롤백 등)은 모델의 변화를 제한하지만, 왜 오류가 발생하는지 진단하거나, 적절한 모델 군을 선택하거나, 꼬리 위험(tail-risk) 행동을 은폐하는 단기적 개선을 거부할 수 있는 추론 능력이 부족하다. 본 논문은 에이전트에게 실시간 제어기에 대한 직접적인 제어권을 부여하지 않으면서, 어떻게 에이전트 기반의 추론을 안전 관련 모델 진화에 통합할 것인가라는 간극을 다룬다.

방법론
본 연구는 실시간 서빙 경로와 적응 경로를 분리하는 **가드형 지속 적응 프레임워크(guarded continual-adaptation framework)**를 제안한다. 시스템은 "챔피언-챌린저(champion–challenger)" 구조를 채택하여, 검증된 "챔피언" 모델만이 예측을 수행하고 "챌린저"들은 백그라운드에서 학습 및 평가된다.

1. 다중 에이전트 거버넌스 구조:
   프레임워크는 결정론적 안전 범위 내에서 의사결정을 지원하기 위해 역할이 분리된 5개의 에이전트를 활용한다:

• 모니터(Monitor): 이동 평균 오차, 경고 연속 발생, 클리핑 동작 및 지배적인 오차 채널을 요약한다.
• 진단(Diagnosis): 오차 시그니처를 모델의 노후화 또는 결합 변화에 대한 가설로 매핑한다.
• 적응(Adaptation): 제한된 미세 조정, 챌린저 갱신 또는 유지 조치를 제안한다.
• 안전 감사관(Safety-Auditor): 제안된 업데이트가 하드 게이트를 위반하거나 꼬리 위험 회귀를 유발하지 않는지 검증한다.
• 오케스트레이터(Orchestrator): 입력값을 종합하여 최종 권고안을 도출한다.
• 핵심적으로, 이 에이전트들은 권고와 거부권을 제공하지만, 결정론적 검증 게이트가 모델 교체에 대한 최종 권한을 보유한다.

2. 오프라인 스크리닝 및 초기 챔피언:
   7개의 대리 모델 군(LSTM, GRU, Transformer, neural ODE, GNN, DeepONet, Temporal Fourier Neural Operator)을 오프라인 데이터(정상 운전, 출력 감소, 정지 사고)를 사용한 블록 3-폴 교차 검증을 통해 스크리닝하였다. **Temporal Fourier Neural Operator (Temporal-FNO)**가 가장 낮은 교차 검증 평균 절대 오차(MAE)를 기록하여 초기 챔피언으로 선정되었다.

3. 스트리밍 배포 및 안전 게이트:
   시스템은 두 가지 별도의 홀드아웃 과도 상태(열전달 경로를 변경하는 히트파이프 삽unk 구성 및 미지의 스케줄을 가진 별도의 운전 과도 상태)에 배치되었다. 적응 루프에는 다음이 포함된다:

• 결정론적 게이트: 경고/임계값 임계치, 냉각 기간, 물리적 경계에 대한 예측 클리핑, 그리고 가중치 블렌딩을 통한 제한된 미세 조정.
• 승격 기준: 챌린저는 평균 오차를 개선하면서도 초과(exceedance), 꼬리 위험 또는 클리핑 동작을 악화시키지 않을 때만 승격된다.
• 롤백: 비유한(non-finite) 예측 또는 과도한 클리핑 발생 시 트리거된다.

4. 실험 모드:
   각 구성 요소의 기여도를 격리하기 위해 7가지 운전 모드를 비교하였다:

• Static (정적): 동결된 오프라인 챔피언.
• Rule-H: 에이전트 없는 결정론적 적응 규칙.
• Shadow (섀도우): 에이전트 검토 없이 주기적인 백그라운드 갱신 수행.
• Single-H/Full: 단일 에이전트 플래닝 (선택적 또는 빈번한 실행).
• MA-H/Full: 역할 분리된 다중 에이전트 거버넌스 (선택적 또는 단계적 실행).

주요 결과
본 연구는 95% 부트스트랩 신뢰 구간을 사용하여 6개의 쌍으로 된 통계 단위(두 개의 스트림 분할 × 세 개의 시드)에 대해 성능을 평가하였다.

• Static 성능: 동결된 Temporal-FNO 챔피언은 채널 평균 MAE 7.06과 **56.8%**의 경고 초과 비율을 나타내어, 조건 고정 문제를 확인시켜 주었다.
• 규칙 기반 적응: Rule-H 모드는 결정론적 게이트만을 사용하여 MAE를 6.54(7.3% 개선)로 낮추었으며, 이를 통해 적응형 배포의 베이스라인을 구축하였다.
• Shadow 학습: 백그라운드 갱신만 수행한 Shadow 모드는 최소한의 개선(MAE 6.96)만을 보여, 거버넌스 없는 챌린저 생성은 불충분함을 입증하였다.
• 다중 에이전트 거버넌스: MA-Full 모드(단계적 다중 에이전트 검토)가 MAE 5.72와 경고 초과 비율 **35.8%**로 최상의 성능을 달립했다. 이는 Static 모드 대비 19.0%의 개선을 의미한다.
• 통계적 유의성: MA-Full과 Static 간의 쌍 부트스트랩 구간은 MAE와 초과 비율 모두에서 0을 포함하지 않아, 통계적으로 유의미한 오차 감소를 나타냈다. 그러나 다른 적응 모드 간의 구간은 서로 겹쳐서 명확한 순위 결정은 불가능했다.
• 모델 진화: MA-Full 모드에서 시스템은 초기 Temporal-FNO에서 Transformer를 거쳐 GNN 챌린저로 서빙 모델을 성공적으로 전환하였다. 이러한 전환은 임의적인 선호가 아니라 스트림 조건 기반의 증거(예: 지연된 열 기억 및 유압 결합)에 의해 유도되었다.
• 파괴적 망각: 원래의 오프라인 사전 훈련 윈도우에 대한 백테스팅 결과, 적응된 모델들이 원래 도메인에서의 성능을 유지하였다(MAE가 2.91에서 1.96으로 감소). 이는 리플레이 기반 업데이트가 파괴적 망각을 일으키지 않았음을 나타낸다.

의의 및 주장
본 논문은 검증되고 게이트로 제어되는 적응이 안전 관련 맥락에서 감사 가능한 대리 모델 진화를 지원할 수 있다고 주장한다. 주요 기여는 다중 에이전트 거버넌스가 결정론적 안전 게이트에 의해 경계가 설정될 때, 실시간 제어기로서 작용하지 않으면서도 효과적으로 지속적인 대리 모델 진화를 가이드할 수 있음을 입증한 것이다.

• 거버넌스 vs 제어: 본 연구는 에이전트가 오차 시그니처를 진단하고, 후보 모델 군의 우선순위를 정하며, 위험한 승격을 검토하는 거버넌스 계층 역할을 수행하는 반면, 결정론적 게이트가 배포 권한을 유지한다는 점을 강조한다.
• 적응성: 결과는 단일 오프라인 아키텍처가 모든 운전 체계에 충분하지 않음을 나타낸다. 실시간 증거에 따라 Temporal-FNO에서 Transformer 및 GNN 아키텍처로 전환할 수 있는 능력은 열 관성 및 유동 재분배의 변화에 적응할 수 있게 한다.
• 제한된 범위: 저자들은 쌍으로 된 통계 단위의 수가 적다는 점(6개)과 본 연구가 가능한 모든 운전 체계에 대한 보편적 우월성을 확립하는 것은 아니라는 점을 포함한 한계점을 명시적으로 언급하였다. 연구 결과는 테스트된 실험 시설 및 과도 상태에 특화되어 있다. 본 논문은 모든 지속 학습 문제를 해결한다고 주장하는 것이 아니라, 안전 제약 조건과 균형을 맞춘 특정 가드형 접근 방식을 제시하는 데 목적이 있다.

결론적으로, 본 연구는 역할이 분리된 에이전트와 결정론적 게이트가 협력하여 운전 체계 변화 중에도 대리 모델의 정확도를 유지할 수 있음을 검증하였으며, 이는 원자력 열수력 시스템을 위한 더욱 견고한 디지털 트윈으로 가는 경로를 제시한다.