Physics Attention Transformer Surrogate for Rapid Vertical Instability Growth Rate Prediction: Alcator C-Mod to SPARC

실용적인 핵융합 발전소를 건설하려는 여정에서, 과학자들은 태양 중심부보다 더 뜨거운 초고온 플라즈마 구름을 용기의 벽에 닿지 않게 공중에 부양시켜 유지해야 한다는 지속적이고도 거대한 과제에 직면해 있습니다. 이것은 단순히 풍선을 들고 있는 문제가 아닙니다. 플라즈마는 소용돌이치는 전하를 띤 유체이며, 본질적으로 자기장 케이지 안에서 붕괴하거나 밖으로 튀어나가려 합니다. 가장 진보된 설계에서는 효율성을 극대화하기 위해 플라즈마를 길고 가느다란 형태로 늘리지만, 바로 이 형태가 불안정성을 유발합니다. 플라즈마 기둥이 아주 조금이라도 기울어지면, 불안정성이 커져 순식간에 용기 벽에 충돌할 수 있으며, 이는 기계를 손상시키고 반응을 종료시킬 수 있습니다. 이를 방지하기 위해 제어 시스템은 문제의 초기 징후를 감지하고 플라즈마를 제자리로 밀어 넣어야 합니다. 그러나 플라즈마가 움직였다는 사실을 아는 것만으로는 부족합니다. 시스템은 그 움직임이 얼마나 빠르게 가속되고 있는지도 알아야 합니다. 만약 불안정성이 너무 빠르게 성장한다면, 표준 제어 조치는 이를 막기에 너무 느리며, 사고를 피하기 위해 기계는 제어된 셧다운(종료)을 준비해야 합니다.

문제는 이 성장 속도를 계산하는 가장 정확한 방법이 시간이 너무 오래 걸린다는 점입니다. 플라즈마가 금속 벽 및 자기 코일과 어떻게 상호작作用하는지를 시뮬레이션하는 현재의 골드 스탠더드 컴퓨터 모델은 단 한 번의 계산을 실행하는 데 몇 분이 소요됩니다. 몇 밀리초마다 결정을 내려야 하는 실시간 제어 시스템에서 몇 분을 기다리는 것은 불가능합니다. 수년 동안 과학자들은 플라즈마를 고체인 강체로 취급하는 더 빠른 단순화 모델에 의존해 왔습니다. 이러한 모델은 빠르기는 하지만, 특히 미래의 원자로에서 계획 중인 복잡하고 고성능인 형상에서 결정적인 역할을 하는 플라즈마 내부 전류의 미묘한 유체적 변화를 놓치는 경우가 많습니다. 이에 MIT와 커먼웰스 퓨전 시스템즈(Commonwealth Fusion Systems)의 연구진은 이 간극을 메우는 새로운 접근 방식을 개발했습니다. 그들은 불안정성 속도를 거의 즉각적으로 예측하면서 동시에 플라즈마가 어디로 이동하는지 지도로 그려낼 수 있는 정교한 인공지능 도구를 만들었습니다.

연구진은 '피직스 어텐션 트랜스포머(Physics Attention Transformer)'라고 부르는 이 새로운 도구를 느리지만 정확도가 높은 모델로부터 생성된 방대한 데이터 라이브러리로 학습시켰습니다. 이 라이브러리에는 이미 가동이 중단된 실제 핵융합 장치인 Alcator C-Mod 실험에서 얻은 수천 가지의 시나리오와, 현재 건설 중인 소형 고자기장 핵융합로인 SPARC를 위해 설계된 수천 가지의 합성 시나리오가 포함되었습니다. 목표는 AI가 플라즈마의 상태(자기장의 형태, 플라즈마의 위치, 주변 코일의 전류)를 보고 두 가지를 즉각적으로 예측하도록 가르치는 것이었습니다. 즉, 불안정성이 얼마나 빨리 성장하는지와 내부 전류가 어떻게 변하고 있는지에 대한 상세한 지도를 만드는 것입니다. AI는 단순히 숫자 하나를 추측하는 것이 아니라, 교란의 전체 2차원 패턴을 재구성하여 운영자가 플라즈마가 단순히 흔들리고 있다는 사실뿐만 아니라 정확히 어떻게 흔들리고 있는지까지 볼 수 있게 해줍니다.

본 적 없는 데이터로 테스트했을 때, 이 새로운 도구는 놀라울 정도로 정확한 성능을 입증했습니다. C-Mod 실험의 경우, 성장 속도를 초당 평균 5.4 단위의 오차로 예측했습니다. 더 까다로운 합성 SPARC 시나리오의 경우 오차는 초당 12.7 단위였으나, 이는 넓은 차이로 목표를 놓치곤 하는 단순화된 모델들에 비해 여전히 상당한 개선입니다. 결정적으로, 이 도구는 교란의 공간 지도를 약 5%의 오차로 재현해 냈습니다. 이러한 수준의 세부 사항은 매우 중요한데, 불안정성의 형태에 따라 서로 다른 제어 대응이 필요하기 때문입니다. 연구진은 이 새로운 도구를 다른 고급 머신러닝 방법들과 비교했으며, 단순한 모델들이 놓치기 쉬운 복잡한 공간 구조를 포착하는 데 있어 이 도구가 더 우수하다는 것을 발견했습니다. 이 도구는 인간이 모든 세부 사항 대신 가장 중요한 요소에 집중하여 복잡한 장면을 요약하는 방식처럼, 플라즈마의 형태를 설명하는 방대한 데이터를 핵심 특징들의 작은 집합으로 압축하는 법을 학습함으로써 속도를 달성했습니다.

속도는 이번 개발의 주요 동력이었으며, 결과는 비약적인 발전을 보여주었습니다. 전통적인 고충실도 모델은 단 하나의 시나리오를 계산하는 데 약 3분이 걸리는 반면, 새로운 AI 도구는 표준 컴퓨터 프로세서에서 동일한 계산을 약 35밀리초 만에 수행할 수 있습니다. 이는 5,000배 이상의 속도 향상을 의미하며, 계산 시간을 핵융합로의 신속한 의사결정 루프 내에 충분히 들어올 수 있는 규모로 단축시킨 것입니다. 연구진이 플라즈마가 훨씬 더 가늘게 늘어나고 자기장이 더 강해지는 SPARC 원자로의 극한 조건에서 테스트했을 때도, 도구는 정확도를 유지했습니다. 이 도구는 고성능 형상의 거동을 정밀하게 예측할 수 있었으며, 이는 실시간으로 원자로의 안정성을 모니터링하고 문제가 임계점에 도달하기 전에 제어기에 경고를 보낼 수 있음을 시사합니다.

하지만 연구진은 이 도구가 복잡한 물리 모델의 대리물(surrogate), 즉 물리 법칙의 대체물이 아니라 대역임을 주의 깊게 명시하고 있습니다. 이 도구는 기존 모델로부터 학습하여 그 결과를 모방하는 것이므로, 그 정확도는 학습된 데이터의 정확도에 종속됩니다. 또한 연구는 이 도구가 모든 상황에서 완벽하지는 않다는 점을 강조합니다. 도구는 플라즈마 조건이 학습 데이터와 유사할 때 가장 잘 작동합니다. SPARC 설계의 특정 고성능 형상과 같이 학습 데이터와 매우 다른 극한 상황에 직면하면 예측의 불확실성이 높아집니다. 이를 처리하기 위해 연구진은 스스로의 신뢰도를 측정하는 시스템을 구축했습니다. 만약 도구가 학습 내용과 매우 다른 상황을 감지하면, 예측이 불확ẩn하다고 표시하여 제어 시스템이 더 느린 전통적 방법을 사용하거나 더 보수적인 안전 접근 방식을 취하도록 유도할 수 있습니다.

이 작업의 함의는 단순히 계산 속도를 높이는 것에 그치지 않습니다. 플라즈마 안정성에 대한 빠르고 상세한 뷰를 제공함으로써, 이 도구는 미래의 원자로가 충돌 위험 없이 성능 한계치에 더 가깝게 운용될 수 있도록 할 수 있습니다. 이는 마치 상시 모니터 역할을 하며, 가용한 '헤드룸(여유 공간)'을 관찰하고 플라즈마가 안전 경계에 너무 가까워지면 운영자에게 경고를 보내는 역할을 할 수 있습니다. 이를 통해 안전 마진을 유지하면서도 더 많은 전력을 생성하기 위해 플라즈마를 더 공격적으로 성형할 수 있습니다. 연구진은 이 도구가 주 제어 시스템과 함께 실행되면서, 원자로의 형상과 위치를 안내하는 신속한 안정성 평가를 제공하는 미래를 구상하고 있습니다. 도구 자체는 중요한 진전이지만, 연구진은 이 도구가 핵융합로의 안전하고 안정적인 운영을 보장하기 위해 다른 모니터링 시스템과 협력하는 더 큰 안전 아키텍처의 일부가 될 것임을 강조합니다.

연구진은 또한 이 도구가 지식을 다른 기계로 얼마나 잘 전이할 수 있는지도 조사했습니다. 그들은 C-Mod 실험 데이터로 AI를 학습시킨 후, SPARC 데이터를 전혀 보여주지 않은 상태에서 합성 SPARC 시나리오에 대해 테스트했습니다. 결과는 엇갈렸습니다. 도구는 대략적인 추정은 할 수 있었지만 오차가 더 컸으며, SPARC 조건을 자주 불확실하다고 표시했습니다. 이는 도구가 플라즈마 거동의 일반적인 원리는 학습할 수 있지만, 최고 수준의 정밀도를 달 Achieve 하기 위해서는 대상 기계의 특정 데이터가 여전히 필요함을 시사합니다. 이 발견은 실질적인 발전 방향을 제시합니다. 즉, 도구를 초기 스크리닝 및 모니터링 용도로 사용하면서, 가장 중요하고 극한적인 운전 조건에 대해서는 고충실도 데이터를 계속 생성하는 방식입니다. 연구진은 이 접근 방식이 계산 시간을 분 단위에서 실시간 통찰력으로 바꿈으로써 핵융합 에너지의 약속을 지키는 데 강력한 새로운 능력을 제공한다고 결론지었습니다.