Horizon-Aware Early Event Prediction for Tokamak Disruption Alarms

기술 요약: 토카막크 중단 경보를 위한 호라이즌 인지형 조기 이벤트 예측

문제 정의
토카막의 중단(disruption) 예측 시스템은 플라즈마 제어 시스템(PCS)이 특정 대응(예: 완화 조치를 위한 짧은 리드 타임 또는 회피 조치를 위한 긴 리드 타임)을 실행할 수 있을 만큼 충분히 일찍 경고를 제공해야 합니다. 현재의 데이터 기반 예측기들은 종종 중단 전 고정된 시간 창(window) 내에서 "중단 전 상태"를 인식하도록 훈련된 이진 분류(BC)에 의존합니다. 그러나 이러한 모델들은 중단이 언제 발생할지는 명시하지 않으며, 단일 고정 창으로는 서로 다른 중단 메커니즘의 다양한 전조 현상 시간 척도를 포착할 수 없습니다. 생존 분석(SA)은 중단까지의 잔여 시간 전체 분포를 모델링하지만, 경보에 유효한 운용 호라이즌(operational horizon)을 훨씬 넘어선 이벤트들까지 포함하여 전체 범위를 학습한다는 문제가 있습니다. 본 논문은 예측기가 의도된 제어 동작에 필요한 시간 호라이즌에 구체적으로 정렬된 리스크 양을 출력하도록 훈련되어야 한다고 주장합니다.

방법론
본 연구는 DisruptionBench 데이터베이스를 사용하여 세 가지 토카막(DIII-D, Alcator C-Mod, EAST)에 대해 네 가지 별개의 예측 대상을 평가합니다. 모든 신경망 모델은 장기 의존성과 고해 resolution의 단기 역학을 모두 보존하기 위해 순환 이력 브랜치(GRU)와 최근 윈도우 브랜치(MLP)로 구성된 공통의 인과적 인코더(causal encoder)를 공유합니다.

비교된 대상은 다음과 같습니다:

1. 이진 분류 (BC): 샷 단위의 결과(중단 발생 여부)를 예측하도록 훈련됩니다.
2. 전체 분포 생존 분석 (SA): 전체 범위에 걸친 중단까지의 조건부 분포를 모델링합니다 (Deep Survival Machines 및 Deep Cox Proportional Hazards 사용).
3. 호라이즌 절단 생존 분석 (survTLS): 생존 모델링 프레임워크를 유지하되, 목적 함수를 특정 훈련 호라이즌 $H$에서 절단하여 가용 가능한 운용 윈도우에 집중합니다.
4. 고정 호라이즌 조기 이벤트 예측 (EEP): 고정된 호라이즌 $H$ 내에 중단이 발생할 확률을 직접 예측합니다. 본 연구에서는 EEP 프레임워크에 **시간적 레이블 평활화 (Temporal Label Smoothing, TLS)**를 도입합니다. $T_i - H$에서 급격히 전환되는 하드 이진 레이블 대신, TLS는 남은 시간에 따라 부드럽게 감소하는 타겟을 사용합니다. 이는 양성 샘플의 희소성과 레이블 경계의 급격함을 해결합니다.

평가 프로토콜
저자들은 리스크 평가와 경보 정책의 평가를 분리합니다:

• 리스크 평가: 데드라인 AUPRC(Area Under the Precision-Recall Curve)로 측정하며, 이는 요구되는 데드라인($w$) 이전에 사용 가능한 정보만을 사용하여 중단이 발생하는 샷을 비중단 샷보다 높게 순위 매기는 모델의 능력을 평가합니다.
• 경보 평가: 데드라인 F1 및 24시간당 오경보율(FAR)로 측정합니다. 임계값은 검증 데이터에서 비중단 샷에 대한 약 1%의 허위 양성률을 유지하도록 캘리브레이션된 후, 보지 못한 테스트 데이터에 적용됩니다.

주요 결과

• TLS를 적용한 EEP vs. 생존 분석: 세 가지 장치 모두에서, 가장 우수한 EBP 모델(DIII-D 및 EAST의 경우 TLS, C-Mod의 경우 Random Forest)이 40ms 데드라인에서 딥 생존 모델(DSM 및 DCPH)보다 순위 매기기(Deadline AUPRC)와 경보 성능(Deadline F1) 모두에서 뛰어난 성능을 보였습니다.
• 레이블 평활화의 이점: TLS는 모든 장치에서 동일한 호라이즌 경계에서 하드 타겟을 사용하는 "Hard EEE"보다 경보 성능이 일관되게 우수했습니다. 이는 호라이즌 경계의 위치가 아니라, 그 자체로서의 그레이디드(graded) 타겟의 이점을 입증합니다.
• 호라이즌 절단: 생존 목적 함수를 절단하는 것(survTLS)은 전체 분포 SA에 비해 성능을 일관되게 개선하지 못했으며, 이는 단순히 손실 범위를 제한하는 것이 예측 타겟 자체를 고정 호라이즌으로 변경하는 것보다 효과가 낮음을 시사합니다.
• 장치 의존성: 성능은 장치마다 크게 달랐습니다. TLS는 DIII-D와 EAST에서 가장 높은 점수를 기록했습니다. C-Mod에서는 하드 호라이즌 타겟으로 훈련된 Random Forest가 가장 좋은 성능을 보였으나, TLS 또한 경쟁력 있는 수준을 유지했습니다. 경보 성능은 EAST에 비해 C-Mod와 DIII-D에서 제한적이었으며, 결과는 훈련 시드와 캘리브레이션 분할에 매우 민감하게 반응했습니다.
• 인코더 절제 실험(Ablation): 이력 브랜치(GRU)는 모든 장치에서 성능을 위해 필수적이었습니다. 최근 윈도우 브랜치(MLP)는 DIII-D와 C-Mod에서 가장 큰 이점을 주었으나, EAST에서는 GRU 단독 구성이 가장 우수했습니다.

핵심 기여

1. 호라이즌 중심 타겟의 도입: 본 논문은 호라이즌 절단 생존 분석과 시간적 레이블 평활화를 적용한 고정 호라이즌 EEP를 토카막 중단 예측에 도입하였으며, 이를 표준 BC 및 SA와 체계적으로 비교하였습니다.
2. 레이블 평활화 효과의 격리: 동일한 아키텍처와 최적화 환경에서 하드 타겟과 비교함으로써, 그레이디드 타겟 자체가 경보 성능을 향상시킨다는 것을 입증하였습니다.
3. 분리된 평가 프로토콜: 저자들은 운용 데드라인에서의 임계값 없는 순위 매기기(via risk)와 캘리브레이션된 임계값(via alarm policy)을 통한 평가를 분리하는 프로토콜을 제안하여, 성능 차이가 리스크 표현의 문제인지 혹은 임계값 캘리브레이션의 문제인지를 명확히 했습니다.

의의 및 한계
본 논문은 중단 경보를 구동하기 위해서는 잔여 시간을 전체 범위에 걸쳐 모델링하는 것보다, 운용 호라이즌 내의 리스크를 직접 학습하는 것(TLS를 적용한 EEP)이 더 효과적이라고 결론짓습니다. 결과는 의도된 제어 동작의 요구되는 경고 시간만큼 타겟 범위가 확장되어야 함을 시사합니다.

저자들은 다음과 같은 점에서 신중한 태도를 유지합니다:

• C-Mod와 DIII-D에서의 경보 성능이 제한적인 것은, 글로벌 플라즈마 양들이 이 장치들의 모든 필요한 전조 정보를 포착하지 못할 수 있음을 시사합니다.
• 본 연구는 세 개의 훈련 시드를 가진 단일 고정 데이터 분할 내에서의 장치 내부 과업으로 제한됩니다.
• 구성은 하나의 시드를 사용하여 선택되었으며, 평가는 실시간 PCS가 아닌 오프라인 방식으로 수행되었습니다.
• 향후 연구 과제로 더 강력한 표현 학습, 다양한 대응 유형을 위한 다중 호라이즌 처리, 그리고 장치 간 전이 학습 탐색을 꼽았습니다.