기술 요약: 퓨전 이퀴리브리엄 챌린지 (The Fusion Equilibrium Challenge)

문제 정의

본 논문은 차세대 자기 가둠 핵융합로(예: SPARC, ARC, CFETR)를 위한 핵심적인 운영 병목 현상을 다룹ون다. 이러한 장치들은 극심한 중성자 환경에서 작동하게 되며, 이로 인해 기존의 자기 센서(Mirnov 코일, pickup 루프, Rogowski 코일)는 방사선 유기 기전력(EMF) 및 전도도 저하, 그리고 구조적 변환(transmutation)으로 인해 심각한 성능 저하를 겪게 된다. 결과적으로, 자기 플럭스 루프 및 pickup 코일 데이터에 크게 의존하는 EFIT와 같은 코드를 통한 표준적인 그라드-샤프라노프(Grad–Shafranov) 해 도출 방식은 실행 불가능해진다.

핵심 과제는 역문제(inverse problem)이다: 즉, 비자기 진단 장치(non-magnetic diagnostics)만을 사용하여 2차원 폴로이달 플럭스 함수 $\psi(R, Z)$와 주요 스칼라 평형 파라미터를 재구성하는 것이다. 구체적으로, 본 챌린지는 다음 데이터를 통해 평형 상태를 추론할 것을 요구한다:

1. 외부 폴로이달 자기장 코일 전류.
2. 톰슨 산란(Thomson-scattering)을 통한 전자 온도($T_e$) 및 밀도($n_e$) 프로파일.

이 작업은 기계 간 일반화(cross-machine generalization) 필요성으로 인해 더욱 까다롭다: 솔루션은 훈련 기계(DIII-D, 전통적인 D-형 토카막)뿐만 아니라, 위상적으로 구별되는 기계(MAST, 키드니 빈(kidney-bean) 형태의 플라즈마 프로파일과 중공형 중심 칼럼을 가진 구형 토카막)에도 "제로샷(zero-shot)"으로 전이되어야 한다. 여기서 단순한 코일 매핑 전이는 처참하게 실패한다.

방법론 및 데이터 인프라

데이터셋 및 큐레이션

주최 측은 융합 평형 재구성을 위한 최초의 오픈 액세스 기반 다중 기계 벤치마크를 공개하였다.

• 출처: 데이터는 DIII-D 국가 핵융합 시설(General Atomics)과 MAST(Culumb Centre for Fusion Energy)에서 추출되었다.
• 규모: 데이터셋은 **9,113개의 DIII-D 샷(shot)**과 2,416개의 MAST 샷을 포함한다 (톰슨 진단 가용성 및 EFIT 재구성 품질을 기준으로 필터링됨).
• 형식: 데이터는 중첩된 NumPy 배열을 포함하는 단일 행 Parquet 파일로 저장된다. 각 샷에는 다음이 포함된다:
  • 타겟(Targets): 약 313개(DIII-D) 또는 약 77개(MAST)의 타임 스텝당 EFIT 플럭스 맵($\psi$).
  • 입력(Inputs): 코일 전류 (DIII-D의 경우 18개 F-코일 + ECOILA; MAST의 경우 10개 P-코일 + 솔레노이드), 톰슨 산란 프로파일 (코어 및 에지), 그리고 기계 고유의 기하학적 구조 (코일 위치, 코드 위치).
  • 제약 조건(Constraints): 자기 위상(topology)이 벽 접촉이 아닌 자기적 구조에 의해 정의되도록, 오직 디버티드(diverted) 플라즈마 타임슬라이스만을 포함하였다.
• 도구: 플럭스 맵, 코일 전류, 톰슨 프로파일을 대화형으로 시각화할 수 있는 교차 플랫폼 데스크톱 애플리케이션인 **Data Fusion Labeler (dFL)**가 제공된다.

평가 지표

점수 체계는 스칼라 값만을 예측하여 점수를 높이는 행위(gaming)를 방지하도록 설계되었다. 참가자는 제출된 플럭스 맵 $\hat{\psi}$와, $\psi$만으로는 유도될 수 없는 두 개의 스칼라($q_{95}$ 및 $\beta_N$)를 함께 제출해야 한다. 다른 모든 지표는 제출된 플럭스 맵으로부터 동일한 함수를 적용하여 스코어러(scorer)가 계산한다.

복합 기계 내 점수($S_{model}$)는 네 가지 항의 가중 합이다:

1. 플럭스 재구성 정확도 ($R^2_\psi$): $(R, Z)$ 그리드에 대한 결정 계수 (가중치: 0.55).
2. 예측 스칼라 충실도 ($R^2_{q95, \beta_N}$): 제출된 $q_{95}$ 및 $\beta_N$의 정확도 (가중치: 0.15).
3. LCFS 정렬 ($D_{LCFS}$): 실제 LCFS 윤곽선과 예측된 LCFS 윤곽선 사이의 정규화된 대칭 하우스도르프 거리 (가중치: 0.10).
4. 플럭스 맵 일관성: 제출된 플럭스 대비 실제값으로부터 계산된 7개의 파생 기하학적 스칼라(자기 축, 신장도, 삼각형도, 부피, 내부 인덕턴스) 간의 일치도 (가중치: 0.20).

보조 지표인 **일반화 비율 ($G_{ratio}$)**은 모델을 MAST에 제로샷으로 적용했을 때 유지되는 DIII-D 성능의 비율을 측정한다.

베이스라인

성능 하한선을 설정하기 위해 네 가지 참조 베이스라인이 제공된다:

1. PCA + Ridge: 코일 전류를 플럭스 맵의 PCA 계수로 매핑하는 선형 매핑.
2. PCA + Gradient Boosted Trees: 비선형 코일 결합을 포착함.
3. MLP on PCA Targets: PCA 계수를 예측하는 3층 완전 연결 네트워크(fully connected network).
4. Convolutional Decoder: 입력을 65x65 플럭스 그리드로 매핑하는 인코더-디코더 아키텍처.

주요 기여

1. 최초의 오픈 다중 기계 벤치마크: 본 논문은 토카막 평형 재구성을 폐쇄형 기관 업무에서 표준화된 오픈 사이언스 벤치마크로 전환하며, 11,000개 이상의 샷으로 구성된 큐레이션된 데이터셋을 공개한다.
2. 새로운 챌린지 설계:
   • 비자기 추론(Non-Magnetic Inference): 자기 신호를 명시적으로 제거함으로써, 모델이 운동학적(kinetic) 데이터와 코일 데이터만을 사용하여 그라드-샤프라노프 방정식의 물리학을 학습하도록 강제한다.
   • 위상적으로 구별되는 전이: DIII-D(D-형)에서 MAST(구형/키드니 빈 형태)로의 전이는 단순한 코일 매핑 전이가 실패하는(SSIM이 0.83에서 0.10으로 급락) 엄격한 기계 불가지론적 학습(machine-agnostic learning) 테스트 역할을 한다.
   • 일관성 기반 점수 산정: 제출된 플럭스 맵으로부터 모든 기하학적 파라미터를 유도함으로써, 모델이 물리적 플럭스 표면과 독립적으로 스칼라를 예측하여 높은 점수를 얻을 수 없도록 보장한다.
3. 반응로 준비 완료 파이프라인: 본 챌린지는 자기 진단 장치를 신뢰할 수 없는 반응로급 장치를 위한 일차적인 평형 추론 파이프라인을 개발하기 위한 직접적인 경로로 프레임화되었다.

결과 및 주장

본 논문은 우승 솔루션을 제시하는 것이 아니라 NeurIPS 경진대회를 위한 프레임워크와 베이스라인을 구축한다.

• 베이스라인 성능: 선형 PCA + Ridge 베이스라인은 작은 데모 세트에서 0.1초 미만에 SSIM 0.84를 달 achievement 하며, 이는 선형 근사가 상당한 분산을 포착함을 시사한다. 그러나 단순 코일 매핑 전이 베이스라인은 MAST에서 붕괴하며(SSIM $\approx$ 0.10), 이는 기계 간 일반화의 어려움을 보여준다.
• 실행 가능성: 주최 측은 이 챌린지가 해결 가능하다고 주장하며, "연산량이 적은(compute-light)" 베이스라인(Ridge, 작은 CNN)이 단일 GPU/CPU에서 2시간 이내에 훈련될 수 있음을 언급하여 폭넓은 참여자들에게 접근성을 제공한다.
• 과학적 목표: 본 챌론지는 머신 러닝이 특정 장치의 기하학적 세부 사항에 과적합되는 것을 넘어, 기기 특유의 공학적 디테일을 탈피하여 근본적인 물리학을 포착하는 보편적인 플라즈마 평형 표현을 학습할 수 있는지 여부를 결정할 것이라고 주장한다.

의의

본 논문은 이 챌린지를 **반응로 준비 완료된 평형 추론(reactor-ready equilibrium inference)**을 향한 중추적인 단계로 위치시킨다. 그 의의는 세 가지 측면에 있다:

1. 운영 탄력성: 자기 센서가 고장 났을 때 현재 기계를 위한 백업 추정치를 제공하고, 미래의 반응로에서 그러한 센서가 생존하지 못할 경우를 대비한 일차적 추론 경로를 제공한다.
2. 물리적 발견: 학습된 모델이 특정 장치의 기하학적 구조에 과적합되는 대신, 그라드-샤프라노프 방정식의 보편적인 물리학을 포착할 수 있는지 테스트한다.
3. 커뮤니티 구축: 표준화되고 개방된 플랫폼을 생성하여 과학적 머신 러닝(물리 정보 신경망, 뉴럴 오퍼레이터 등)의 핵융합 에너지 연구 통합을 가속화하고, 융합-ML 서브 커뮤니티와 더 넓은 과학적 ML 커뮤니티 사이의 간극을 메운다.

본 챌린지는 배포 가능한 시스템이 아닌 연구를 위한 벤치마크로 명확히 프레임화되었으며, 재현성, 불확실성 정량화, 그리고 윤리적 준수에 중점을 둔다.