Cycle-Consistent and Uncertainty-Aware Neural Surrogates for Tokamak Edge Plasmas

기술 요약: 토카막 에지 플라즈마를 위한 순환 일관성 및 불확실성 인지 신경망 대리 모델

문제 정의
경계 및 디버터(divertor) 플라즈마 파라미터(열 플럭스, 온도, 밀도 및 디태치먼트(detachment) 발생 시점)를 정확하게 예측하는 것은 현재 및 미래 토카막의 안전한 운전을 위해 매우 중요하다. 그러나 고충실도 에지 플라즈마 시뮬레이션인 SOLPS-ITER 코드는 광범위한 파라미터 스캔, 최적화 또는 실시간 제어가 필요한 작업에 사용하기에는 계산 비용이 너무 높다. 각 SOL-PS-ITER 실행은 수 시간 걸릴 수 있는 강성(stiff) 비선형 고정점 문제를 해결해야 하며, 초기화에 대한 민감도가 높고, 광범위한 파라미터 세트를 스캔하거나 디태치드(detached) 영역에 진입할 때 상당한 실패율(발산 또는 비수렴)을 보인다. 데이터 기반 대리 모델(surrogates)이 이러한 작업을 가속화하기 위해 등장했으나, 기존 모델들은 순방향 및 역방향 매핑 사이의 물리적 일관성이 부족하며, 특히 오류가 발생하기 쉬운 저표집(undersampled) 또는 급격한 기울기 영역에서 예측 신뢰도를 평가할 수 있는 내장된 메커니즘을 제공하지 못한다.

방법론
저자들은 두 가지 상호 보완적인 신경망 대리 모델과 강력한 데이터베이스 생성 전략으로 구성된 프레임워크를 제안한다:

1. 데이터베이스 생성 (k-d 트리 웜 스타트): SOLPS-ITER의 높은 실패율을 해결하기 위해, 저자들은 분기형 k-d 트리 전략을 채택한다. 일반적인 초기 조건으로부터 "콜드 스타트(cold-start)"하는 대신, 각 새로운 시뮬레이션은 파라미터 공간에서 이전에 수렴한 가장 가까운 설계 지점으로부터 "웜 스타트(warm-start)"된다. 이 접근 방식은 단일 시드로부터 신뢰할 수 있는 초기 조건을 외부로 전파하여, 데이터베이스 완성도를 콜드 스타트 앙상블의 약 70%에서 95% 이상으로 높인다. 최종 데이터셋은 다섯 가지 제어 파라미터인 총 출력($P_{tot}$), 코어 연료 주입률($\Gamma_{core}$), 중수소 퍼프율($\Gamma_{D2}$), 교차 필드 입자 확산계수($D_{\perp}$), 이온 열 확산계수($\chi_i$)에 대해 라틴 하이퍼큐브 샘플링을 통해 샘플링된 DIII-D 하부 단일 노치(lower-single-null) 구성의 중수소 플라즈마 760개 수렴 실행 데이터로 구성된다.

2. 순환 일관성을 갖는 2D 순방향/역방향 대리 모델:

   • 순방향 모델: 조건부 U-Net($F_\theta$)은 5개의 스칼라 제어 파라미터와 공간적 이진 마스크를 4개의 2D 플라즈마 상태 필드(전자 온도 $T_e$, 이온 온도 $T_i$, 전자 밀도 $n_e$, 평행 이온 속도 $u_a$)로 매핑한다. 제어 파라미터는 FiLM(Feature-wise Linear Modulation)을 통해 주입된다. 네트워크는 넓은 동적 범위를 처리하기 위해 로그 변환된 변수에 대해 훈련된다.
   • 역방향 모델: 별도의 역방형 네트워크를 훈련하는 대신, 저자들은 최적화 기반 접근 방식을 사용한다. 타겟 필드가 주어지면, 경사 하강법을 통해 동결된(frozen) 순방향 모델의 출력과 타겟 사이의 불일치를 최소화함으로써 제어 파라미터를 복구한다.
   • 순환 일관성(Cycle Consistency): 순환 일관성 제약 조건은 순방향 및 역방향 프로세스를 연결한다. 복구된 파라미터는 다시 순방향 모델을 통해 피드백되며, 이때 재구성된 필드는 원래의 타겟과 일치해야 한다. 이는 추론 과정에서 정답(ground-truth) 레이블 없이도 자기 지도 학습형 품질 지표를 제공한다.
   • 훈련 규제화: 훈련 중에 학습된 의사 역함수($G_\psi$)가 순환 일관성 항을 포함하는 복합 손실 함수 하에서 순방향 모델과 공동으로 훈련된다. 이는 순방향 대리 모델을 순방향 및 역방향 매핑 사이의 상호 일관성을 보장하도록 재형성한다.

3. 불확실성을 인지하는 1D 프로파일 앙상블:

   • 별도의 "질의에 의한 위원회(query-by-committee)" MLP 앙상블이 외측 미드플레인(outboard midplane) 및 디버터 타겟에서의 $T_e$ 및 $n_e$ 1D 프로파일을 예측한다.
   • 앙상블 분산은 예측 불확실성의 대리 지표 역할을 한다. 위원회의 불일치가 임계값을 초과하는 지점은 고불확실성 영역으로 표시되어, 가장 정보량이 많은 새로운 SOLPS-ITER 시뮬레이션을 우선시하는 능동 학습(active learning) 전략을 안내한다.

주요 결과

• 순방향 정확도: 2D U-Net은 홀드아웃 테스트 케이스에 대해 4개의 모든 플라즈마 상태 필드에 대해 2.6% 미만의 정규화된 평균 제곱근 오차(NRMSE)와 0.95 이상의 피어슨 상관계수를 달성했다. 모델은 세퍼레이트릭스(separatrix) 및 디버터 타겟 근처의 가파른 기울기를 포착한다.
• 순환 일관성 이득: 순환 일관성 규제화($\lambda_{cyc} = 0.5$)를 추가하면 평균 순환 $R^2$가 순방향 전용 베이스라인의 0.59에서 0.99로 증가하며, 순방향 예측 정확도를 저하시키지 않는다. 결정적으로, 이 규제화는 순방향 전용 쌍에서 제대로 복구되지 않았던 코어 연료 주입률($\Gamma_{core}$)의 복구를 가능하게 했다.
• 역방향 파라미터 복구: 최적화 기반 역방향 방법은 피어슨 상관계수 $r \ge 0.97$로 5개의 모든 제어 파라미터를 복구한다. 이 방법은 순방향 매핑이 국부적으로 둔감한 영역에서도 순환 일관성이 유지되는 한 파라미터를 성공적으로 식별한다.
• 데이터베이스 견고성: k-d 트리 웜 스타트 전략은 760개 실행의 데이터베이스에 대해 95% 이상의 완료율을 달성했으며, 이는 유사한 콜드 스타트 앙상블에서 관찰된 약 30%의 실패율에 비해 유의미한 개선이다.
• 추론 속도: 약 430만 개의 파라미터를 가진 이 모델은 밀리초 단위(GPU 사용 시 서브 밀리초) 내에 전체 2D 예측을 생성하며, 이는 원래의 SOLPS-ITER 실행보다 5~6 자릿수 빠른 속도이다.
• 불확실성 정량화: 1D 앙상블은 프로파일을 정확하게 재현($R^2 > 0.89$)하며 고불확실성 영역을 올바르게 식별한다. 부착(attached) 및 디태치드(detached) 상태를 모두 아우르는 내부 디버터 타겟이 가장 높은 불확실성(~13%의 지점이 플래그 지정됨)을 보였으며, 이는 알려진 물리적 난제들과 일치한다.

의의 및 주장
본 논문은 이 프레임워크가 느리고 취약한 물리 솔버를 빠르고 신뢰할 수 있는 신경망 대리 모델로 대체함으로써 실시간 플라즈마 제어, 신속한 시나리오 최적화 및 디지털 트윈 애플리케이션을 위한 실질적인 해결책을 제공한다고 주장한다. 주요 기여는 다음과 같다:

• 자기 지도형 신뢰성: 순환 일관성 메커니즘은 추론 시 정답 레이블 없이도 역방향 예측에 대한 내장된 품질 검사를 제공하며, 이는 표준 대리 모델의 주요 한계를 해결한다.
• 견고한 데이터 생성: k-d 트리 웜 스타트 전략은 강성 비선형 시스템을 위한 대규모의 균일 샘플링된 훈련 세트를 구축하는 데 필수적인 인프라로 제시되며, 이는 일반적으로 에지 플라즈마 데이터베이스 구축을 제한하는 수렴 실패 문제를 직접적으로 완화한다.
• 능동 학습 통합: 불확실성을 인지하는 앙상블은 모델을 반복적으로 개선하기 위해 가장 정보량이 많은 새로운 시뮬레이션을 지명함으로써 "블라인드 스팟"(특히 내부 디버터 디태치먼트 영역)을 식별하는 메커니즘을 제공한다.
• 자동 수송 추론: 미분 가능한 역방향 절차는 진단 측정값으로부터 수송 계수($D_{\perp}, \chi_i$) 및 코어 연료 주입률을 자동으로 추론하는 경로를 제공하며, 이는 잠재적으로 수동의 반복적 피팅 워크플로우를 대체할 수 있다.

저자들은 현재 모델이 단일 DIII-D 구성 및 중수소 전용 연료 주입과 균일한 수송 계수로 제한되어 있다는 점을 언급하며 한계에 대해 신중한 태도를 유지한다. 그들은 실험 데이터에 대한 검증과 다른 장치 및 공간적으로 변화하는 수송 계수로의 확장이 향후 필요한 단계라고 명시한다.