이제 AI는 연구자가 읽을 수 있는 속도보다 더 빠르게 기계 검증된 수학을 생성한다. 이러한 정리가 실제 계산 작업에 쓰일 수 있을까? 우리는 \mbox{OpenAI}의 Lean~4 상대론적 Vlasov--Maxwell 라이브러리의 정리 하나를 재사용한다. 이 정리는 플라즈마 신호가 도달하기 전까지 초기 장이 외부 지점의 장을 결정하며, 신호가 면에 도달하기 전까지 주변 상자를 빠져나가는 에너지도 결정한다는 내용이다. 새로운 Lean 증명과 수치적 경계는 세 가지 과제에 걸쳐 입자-인-셀 시뮬레이션을 위한 입자 없는 기준을 제공한다. 영역 크기는 관측 시간으로부터 해석적으로 결정되며, 이를 통해 전역 에너지 검사에서 놓친 WarpX와 Smilei의 경계 및 초기화 오류가 드러났다. 격자 선택도 직접 검증할 수 있다. 두 개의 성긴 격자를 결합하면 중간 격자 단독으로는 실패하는 상황에서도 미세 격자 대비 중앙값 14.9배의 속도 향상으로 미지의 플라즈마 입력을 허용 오차 내에서 복원한다. 축소 모델의 경우, 이 경계는 에너지 손실을 예측하는 데 필요한 시간 곡선의 최소 개수를 규정한다.
본 연구에서는 토카막 핵융합로 설계의 제약 조건이 있는 다목적 최적화를 위한 실용적 도구로서 심층 강화학습(DRL)을 조사한다. 과제는 안정적인 운전에 필요한 네 가지 운전 한계를 만족하면서, 높은 에너지 이득과 긴 에너지 가둠 시간을 달성하는 동시에 건설 비용을 최소화하는 설계 구성을 최적화하는 것이다. 물리와 공학이 결합된 평가로 인해 목적 함수와 제약 조건이 블랙박스이므로, 기존 탐색 전략으로는 최적해를 찾기 어렵다. 이를 해결하기 위해 토카막 핵융합로 설계에 보상 제약 정책 최적화(RCPO)를 구현한다. 이 방법은 여러 제약 조건을 보상 함수에 통합하여 정책을 실현 가능한 해로 유도하고 설계 최적화 과정을 단순화한다. 수치 결과에 따르면 제안한 DRL 기반 접근법은 다른 데이터 기반 최적화 방법보다 운전 제약을 만족하는 실현 가능한 설계를 더 많이, 더 효율적으로 찾아내며, 이는 향후 효율적인 원자로 설계에 대한 DRL의 잠재력을 보여준다.
산업용 플라즈마 공정 개발에는 운전 변수와 기하 변수에 대한 폭넓은 탐색이 필요하다. 기하 변수, 특히 전극 간격은 방전 구조와 처리 균일도에 영향을 미친다. 반복적인 고충실도 시뮬레이션으로 이러한 변수 공간을 탐색하는 것은 계산 비용이 클 수 있다. 대리 모델은 빠른 예측을 제공할 수 있으나, 샘플마다 계산 영역과 이산화가 달라질 수 있어 기하 변화가 적용을 복잡하게 한다. 본 연구에서는 규정된 및 학습된 기하 매핑, 확장 영역 표현, 연속 좌표, 기하 고유 이산화에 기반한 여섯 가지 기하 인식 대리 모델을 웨이퍼 근처의 전체 플라즈마 장과 이온 밀도 프로파일을 정확하게 예측하는 데 필요한 데이터 요구량 측면에서 비교한다. 시뮬레이션 데이터셋은 압력, 전압, 주파수, 전극 간격에 걸쳐 있으며, 각 기준 사례는 평균 5.32 CPU 시간의 시뮬레이션 비용이 든다. 네 가지 플라즈마 장에 대해 평균 오차 2%를 달성하려면 규정된 매핑 Geo-FNO와 Transolver는 100개의 학습 사례가 필요한 반면, 다른 모델은 250~1000개가 필요하다. 웨이퍼 근처의 이온 밀도 프로파일 예측은 더 까다로우며 모델 간 차이가 더 크게 나타나는데, 고려한 프로파일 정확도 목표에서 규정된 매핑 Geo-FNO가 가장 적은 학습 사례를 필요로 한다. 웨이퍼 근처의 정확한 예측에 필요한 데이터를 더 줄이기 위해 학습 손실에 전하 분리 가중치를 도입하였으며, 이는 규정된 매핑 Geo-FNO가 프로파일 오차 5%를 위해 필요로 하는 시험된 최소 학습 요구량을 1000개에서 100개 사례로 줄인다. 이러한 결과는 적절한 기하 매핑을 사용할 수 있을 때 본 연구의 가변 간격 문제에 대해 규정된 매핑 Geo-FNO가 실용적인 출발점임을 뒷받침하며, 충분한 학습 데이터가 있을 때는 Transolver가 가장 높은 예측 정확도를 달성한다.
기준 용량 결합 플라즈마(CCP) 시뮬레이션은 공간 분해된 플라즈마 장을 제공하지만 다양한 운전 조건에 대해 생성하는 데 비용이 많이 든다. 본 연구에서는 1차원 평면 및 2차원 축대칭 GEC CCP 벤치마크에서 RF 주기 평균 전자 밀도, 이온 밀도, 전기 퍼텐셜, 전자 온도를 예측하는 다섯 가지 대리 아키텍처인 Coordinate MLP, PCA-Net, U-Net, 푸리에 신경 연산자(FNO), Transolver의 데이터 효율을 비교한다. 파라미터 내부 및 파라미터 경계 시험 사례에 대해 평균 상대 L2 오차 1%와 2%를 달성하는 데 필요한 기준 시뮬레이션 수를 평가하고, 아키텍처별 메커니즘을 분석한다. FNO는 여덟 번의 비교 중 일곱 번에서 가장 낮거나 공동으로 가장 낮은 기준 사례 요구량을 달성한다. 1차원에서 FNO는 50개의 학습 사례로 내부 오차 1%에 도달하며, Transolver는 100개, U-Net은 200개가 필요하다. 2차원에서 FNO와 U-Net은 각각 100개 사례로 내부 오차 1%에 도달하고, FNO와 Transolver는 각각 200개 사례로 파라미터 경계 오차 2%에 도달하는 반면 U-Net은 400개가 필요하다. 더 엄격한 2차원 파라미터 경계 1% 목표에서는 Transolver가 400개 사례를 필요로 하는 반면 FNO는 800개를 필요로 한다. 추가 분석에서는 FNO의 스펙트럼 모드와 패딩, U-Net의 스킵 연결, Transolver의 적응형 슬라이싱, PCA-Net의 투영 오차 대 예측 오차를 조사한다. 결과는 시험된 CCP 설정에서 FNO가 데이터 효율적인 기준선임을 뒷받침하는 동시에, 선호되는 아키텍처가 정확도 목표와 운전 파라미터 영역에 따라 달라짐을 보여 준다.
편미분방정식 모델링에 적용되는 물리 정보 신경망 분야의 연구는 최근 크게 발전하여 다양한 새로운 방법의 생태계를 제공하고 있다. 그러나 흔한 한계 중 하나는 PINN이 고성능 컴퓨팅 아키텍처에서 확장되지 못하여 더 야심 찬 문제, 특히 넓은 공간 영역에서 난류 역학을 갖는 비선형 물리 모델을 다루지 못한다는 점이다. 전형적인 연구는 단순한 물리 방정식과 적은 변수를 갖는 장난감 모델로 시연을 제한하며, 긴 시간 척도에 걸쳐 진화하는 복잡한 비선형 역학은 거의 다루지 않는다. AI 커뮤니티 일부는 "PINN은 확장되지 않는다"는 생각을 받아들이기까지 했다. 본 연구는 이것이 사실이 아님을 증명한다. 우리는 포괄적이고 모듈식인 프레임워크 Fuse-PINN에 구현된, 수학적으로 견고한 신경망용 유한요소법(FEM-NN) 정식화를 제시한다. 이 정식화는 GPU 기반 HPC 시스템에서 물리 정보 신경망을 확장 가능하게 병렬화하는 토대를 제공한다. 또한 고정밀 수렴을 가능하게 하기 위해 Energy Natural Gradient Descent 최적화기를 구현한다. Fuse-PINN은 미세 규모 역학을 갖는 비선형 대류 모델을 포함하여 자기 confinement 핵융합과 관련된 물리 모델에서 시연된다. 문제 크기가 증가하는 다중 GPU 실행에서 거의 완벽한 확장성이 달성된다.
넓은 매개변수(parameter) 범위에 걸쳐 해 연산자(solution operator)를 학습하는 것은 특히 순수 데이터 기반 매개변수 모델의 경우 입력 함수와 물리적 매개변수 모두에 대해 상당한 커버리지를 요구할 수 있습니다. 또한, 그 결과로 도출된 모델은 학습(training) 분포를 벗어났을 때 경고 없이 실패할 수 있습니다. 본 연구에서는 매개변수 연산자 학습을 단일 표준 연산자(canonical operator) 학습으로 재구성하는 방정식 재구성(equation recast) 기법을 제안합니다. 매개변수로 인해 발생하는 연산자 변동은 지배 방정식으로부터 해석적으로 유도되어 유효 소스로 흡수되며, 이를 통해 새로운 매개변수 영역 전반에 걸친 제로샷(zero-shot) 예측이 가능해집니다. 다중 매개변수, 비선형 및 특이 편미분 방정식(PDE) 환경 전반에서, 방정식 재구성은 외삽(extrapolation)을 지원하고, 희소한 이종 데이터셋(dataset)을 공유된 표준 표현으로 통합하며, 재구성 반복(iteration)의 실패에 대한 내부 경고 신호로 수렴(convergence) 손실(loss)을 활용합니다. 핵융합을 위한 고충실도 토카막 시뮬레이션에서, 이 프레임워크는 공동 학습된 단일 연산자 내에서 표준 영역 매핑을 통해 네 가지 장치 형상에 걸친 전자 온도 데이터를 통합합니다. 방정식 재구성은 방정식 유도 전이(transfer), 데이터 효율성 및 모니터링 가능한 추론(inference)을 결합하여 재사용 가능한 신경망 편미분 방정식 해석기(neural PDE solver)로 나아가는 경로를 제공합니다.
스텔러레이터는 외부에서 생성한 3차원 자기장으로 고온 플라즈마를 가두는 핵융합 장치로, 상용 핵융합으로 가는 유망한 경로를 제시한다. 이 장치의 전자기 코일은 어려운 설계 문제를 제기한다. 코일은 공학적 제약을 만족하면서 목표 자기장을 재현해야 하고, 제작이 실용적이며 비용 효율적이어야 한다. 적합한 기하 구조를 찾는 것은 일반적으로 닫힌 형태의 해도 유일한 해도 없는 고도로 비선형적인 역문제이다. 이 문제는 스텔러레이터 설계의 핵심에 놓여 있다. 본 연구는 목표 플라즈마 자기장과 공학적 요구사항으로부터 코일 기하 구조로의 사상을 학습하기 위한 데이터셋 및 벤치마크인 CoilStellaration을 소개한다. 이 데이터셋은 ConStellaration의 플라즈마 평형을 목표로 최적화된 필라멘트형 코일 세트 177,000개를 포함하며, 표본 추출된 공학적 요구사항과 달성된 기하 및 자기장 지표를 함께 담고 있다. 데이터셋은 여러 코일 수와 필드 주기 수에 걸쳐 있어 구성별 특화 모델과 공유 모델 모두에 대한 연구를 지원한다. 벤치마크는 모델이 목표 평형과 코일-코일 및 코일-플라즈마 간격, 곡률, 자기장 오차에 대한 요구사항을 조건으로 코일을 예측하도록 요구한다. 자기장 정확도가 여전히 주된 과제이며, 학습된 모델이 모든 요구사항을 동시에 만족시키는 경우는 드묾을 보인다. 그러나 학습된 예측을 기존 코일 최적화의 초기화에 사용하면 초기 진전을 가속할 수 있다. 직접 코일 생성과 학습된 최적화 초기화 모두에 대한 재현 가능한 연구를 지원하기 위해 기준 모델과 평가 코드를 공개한다. 기계학습 및 최적화 연구자가 스텔러레이터 코일 설계에 참여하는 진입 장벽을 낮춤으로써, 실용적이고 비용 효율적인 스텔러레이터 발전소를 향한 진전을 가속하는 것을 목표로 한다.
우리는 핵융합 제어의 근본적 과제인 블라소프–푸아송 플라스마 시스템의 불안정성 제어 문제를 연구한다. 실제로 플라스마 상태를 부분적으로만 관측할 수 있다는 점에 착안하여, 완전 관측 가능한 전문가 제어기로부터 학습하되 거시적 측정값만으로 동작하는 모방 학습 알고리즘을 조사한다. 우리는 온라인 모방 학습과 오프라인 모방 학습 사이의 분리를 이론적으로 규명한다. 즉, 작은 행동 복제 오차조차도 오차 누적을 일으켜 시간에 따라 불안정성을 지수적으로 증폭시킨다. 이와 대조적으로 온라인 모방 학습 손실은 롤아웃 궤적의 안정성을 다항식 수준으로 제어할 수 있다. 이어서 부분 관측 하에서 안정화 제어기를 학습하는 DAgger 방식의 알고리즘을 제안한다. 1차원 블라소프–푸아송 시스템에 대한 시뮬레이션 결과는 제안 알고리즘이 행동 복제보다 더 긴 시간 범위에서 플라스마 불안정성을 효과적으로 안정화할 수 있음을 보여 준다.
인공지능 지원 수학의 최근 돌파구는 개방형 기계 탐색이 인간 수학자를 능가할 수 있음을 보여주지만, 이 패러다임을 물리학으로 옮기려면 연구 워크플로의 재구성이 필요하다. 본 논문은 언어 모델 에이전트가 인간이 정의한 물리학적 추측을 추구하는 오픈소스 프레임워크 Simjecture를 소개한다. 이 프레임워크는 이러한 이식의 두 가지 핵심 과제를 다룬다. 첫째, 물리학은 경험적이고 어떤 모델도 최종적이지 않으므로 탐구를 반례 기반 반증과 전향적 가설 수정을 중심으로 구조화한다. 둘째, 물리 이론은 실제 세계와 상호작용해야 하므로 계산 물리학을 실행 가능한 테스트베드로 사용하며, 수치 도구의 자격 검증을 과학적 주장 검토와 분리하여 기록된 조사 내에서 솔버와 진단 도구를 조정할 수 있게 한다. 우리는 이 프레임워크를 136.3시간의 조사에 적용하여, Z-핀치에서 방사 에너지가 내파하는 쉘의 운동 에너지를 초과하는 오래된 문제를 다루었다. 이 조사는 에너지 전환, 보존, 방출 시점의 상충하는 효과를 밝혀낸다. 더 강한 결맞음 나선형 변형은 저항 전환을 증가시키는 한편 방사를 감소시키고 보존 에너지를 증가시킨다. 대응되는 미세 격자 시험에서 후행 플라즈마 프로파일을 넓히면 이후의 방사 최대 시점이 1.80 ns 지연되고, 초기 153 J의 볼로미터 부족분이 44 ns까지 0.08% 이내로 회복되며, 스펙트럼 응답은 펄스 동안 변화한다. 이러한 결과는 고에너지밀도 플라즈마 물리학의 에너지 전환에 대한 새로운 통찰을 제공하며 물리학 연구의 새로운 패러다임을 보여준다.
선형 필링-벌루닝 안정성의 기계학습 대리 모델은 이제 밀리초 단위로 실행되지만, 대부분 점 추정기로 배포된다. 이들은 얼마나 틀릴 수 있는지, 또는 질의가 학습된 범위 밖에 있는지를 알려 주지 않는다. 새로운 장치를 설계하는 핵융합 기업에게 관심 대상인 모든 평형은 기존 대리 모델의 학습 데이터 밖에 있으므로, 이것이 중요한 경우이다. 본 논문은 컨포멀 오차 막대, 의심스러운 사례를 물리 코드로 보내는 분포 외 경보, 새 설계의 소수 시뮬레이션을 통한 재보정으로 구성된 모델 비의존적 안정성 대리 모델용 신뢰 계층을 기술하고, 사전 등록된 가설로 이를 검증한다. 이상적 MHD 성장률을 갖는 JET 유사 평형의 대규모 공개 데이터셋에서, 오차 막대는 분포 내에서 명목 커버리지를 유지하고 플라즈마 형상 변화 하에서는 이에 미치지 못하며, 새 형상의 수십 개 시뮬레이션 또는 경보가 표시한 사례의 라우팅으로 이를 회복한다. 저항성 BOUT++ 대리 모델에서는 오차 막대가 보류된 실행에서 보정된 상태를 유지하고, 경보는 학습에 없던 토카막을 표시하며, 시나리오 스캔은 수 시간이 아닌 수 초 만에 선별된다. SPARC 라이브러리와 DIII-D 코일 세트의 평형 전반에서, 자체 등급화한 BOUT++ 레이블로 학습한 대리 모델은 보지 못한 평형에서 기준선을 능가하는 반면, 다른 곳에서 학습한 대리 모델은 동일한 사례의 순위를 거꾸로 매기고 그 경보는 이를 거부한다. 자체 신경 연산자 대리 모델을 구축하는 과정에서 이 하니스는 두 가지 입력 결함을 드러냈고, 이를 수정하여 단순 신경망과의 격차를 좁혔다. 시험한 모든 대리 모델에서 신뢰 계층은 해당 대리 모델 자체의 오차에 의해 정해지는 막대 폭으로 커버리지를 목표 근처에 유지한다. 사전 등록된 가설이 모두 성립한 것은 아니며, 그러한 결과와 모든 결과의 한계를 보고한다.
학습된 시간 모델은 오프라인 예측을 넘어 의사결정을 위한 상호작용 환경으로 확장되고 있으나, 기록된 궤적에 대한 정확도가 학습된 모델 안에서 최적화된 정책의 폐루프 동작을 예측한다고 할 수는 없다. 이러한 예측-제어 간극은 결합된 플라즈마-회로 동역학과 액추에이터 제약이 피드백을 통해 오차를 증폭시킬 수 있는 토카막 자기 제어에서 중요하다. 보정된 자유 경계 Grad-Shafranov 솔버를 사용하여 물리 매개변수와 전류 기준의 포괄 범위에 대한 2x2 설계로 네 개의 데이터셋을 수집한다. 롤아웃 수를 500, 1k, 3k, 5k로 맞춘 예산에서 행동 조건부 Transformer 16개를 훈련하고, 5k 대리 모델에서 최적화된 PPO 정책을 적응 없이 여섯 개의 기준 솔버 조건에서 평가한다. 결합 포괄 범위를 가진 D4만이 조건 간 평균 오차가 단조 감소하는 반면, D1은 분포 내에서는 개선되나 분포 밖에서는 악화된다. 이진 완료 여부는 폐루프에서의 상당한 차이를 가린다. D2~D4는 각각 조건의 83.3%를 완료하지만 평가 구간의 평균 99.0%, 94.7%, 90.5%에 도달하며, 최악의 조건에서는 94.2%, 68.2%, 43.2%에 도달한다. 행동 잡음을 넣어 훈련한 정책은 대응되는 24개 조건 중 5개를 완료한 반면 일반 훈련에서는 19/24를 완료했으며, 구간으로 제한한 에피소드 길이의 평균도 더 낮다. 구성당 훈련된 정책 하나와 조건당 평가 실현 하나에 기반한 이 결과는 예측 오차, 에피소드 완료, 조건별 지속 시간, 추종 품질을 함께 고려할 것을 뒷받침한다.
천체 및 핵융합 플라즈마의 흐름인 3차원 자기유체역학(MHD) 난류는 시뮬레이션 비용이 크다. 우리가 아는 한 최초로 3차원 저항성 MHD 난류의 학습된 대리 모델을 제시하며, 합성곱 UNet, 이동 윈도우 트랜스포머, 푸리에 신경 연산자(Fourier neural operator)라는 세 가지 표준 백본을 이 역할에서 비교한다. 이들은 $128^3$ 해상도와 1000, 3000, 6000의 레이놀즈 수에서 감쇠하는 MHD 난류의 자기회귀 에뮬레이터로 학습되며, 레이놀즈 수마다 500개의 시뮬레이션을 사용하고, 각각 단일 스텝 후 짧은 롤아웃이라는 하나의 2단계 절차를 거치고 하나의 규칙으로 중단된다. 대략 큰 에디 회전 시간 하나에 해당하는 구간에서 UNet과 트랜스포머는 0.018~0.053의 상대 속도 오차에 도달하며 시뮬레이션의 전류 시트, 엔스트로피, 전류 밀도, 에너지 스펙트럼을 유지한다. 둘 중 어느 쪽이 더 정확한지는 레이놀즈 수에 따라 달라, 3000과 6000에서는 UNet이, 1000에서는 트랜스포머가 앞선다. 동일한 백본과 학습 절차를 두 공개 벤치마크에 적용했을 때, 모델은 FactFormer의 등방성 난류 데이터셋에서 지금까지 보고된 가장 낮은 오차에 도달하여 발표된 최고 모델보다 39% 낮다. The Well의 압축성 MHD 데이터셋에서는 롤아웃 오차가 The Well의 기준 모델 중 최고 모델보다 3분의 1에서 2분의 1 낮다. 또한 롤아웃 구간에서 13억 매개변수의 사전 학습된 파운데이션 모델과 대등한 성능을 보이면서 매개변수는 20~62배 적다. 코드, 모든 모델의 설정, 평가 스크립트, 그리고 모든 시뮬레이션의 시드를 포함한 데이터 생성기는 게재 시 공개될 예정이다.
레이저-플라스마 가속기의 전자빔은 레이저와 가스 설정에 비선형적으로 의존한다. 이러한 의존성은 입자-인-셀(PIC) 시뮬레이션을 이용해 탐구되며, 이 시뮬레이션으로 학습된 기계학습 모델은 설정으로부터 빔을 예측한다. 본 연구에서는 역문제, 즉 측정된 빔이 주어졌을 때 어떤 설정이 그 빔을 만들었는가를 다룬다. 가스 압력 $p\_1$, 규격화된 벡터 퍼텐셜 $a\_0$, 질소 농도 $c\_{N\_2}$의 세 가지를 추론한다. 해의 유일성은 보장되지 않는다. 각 빔에 대해 여러 가능한 설정 집합을 그 확률 및 불확실성과 함께 출력하는 혼합 밀도 네트워크의 앙상블을 학습시키고, 현실적인 측정 잡음을 포함한 모의 빔으로 시험한다. 평균적으로 예측은 정확하지만($R^2 = 0.91$), 빔의 약 3분의 2에서는 추론된 분포가 두 개의 경쟁하는 해를 갖는다. 이 해들은 거의 같은 $a\_0^2 p\_1$ 값을 공유하는데, 이 값은 레이저가 플라스마 내에서 얼마나 강하게 자기 집속하는지를 좌우하며 이전의 PALLAS 연구에서는 전자 주입이 시작되는 시점을 결정한다. 이 양을 고정하면 현실적인 진단으로는 사실상 구별할 수 없는 빔이 얻어진다. 점검용으로 사용한 순방향 모델은 비물리적인 해를 제거하지만 두 개의 그럴듯한 해 중 하나를 선택하지는 못한다. 이어서 이 모호성을 해소하는 두 가지 방법을 시험한다. 전체 전자 에너지 스펙트럼을 추가하면 주로 $a\_0$를 통해 평균 예측이 개선된다($R^2 = 0.94$). 이는 두 해의 가중치를 바꾸지만 해를 이동시키지는 않는다. 의도적으로 다른 플라스마 밀도에서 수행하는 두 번째 측정이 더 효과적이다. 쌍을 이룬 PIC 시뮬레이션에서 이는 $a\_0$의 오차를 2.6배 줄이는 반면, 같은 밀도에서 측정을 반복하는 것은 이득이 거의 없다.
토카막 플라스마에서 신뢰할 수 있는 위치 및 형상 제어를 위해서는 강하게 결합된 여러 형상 매개변수에 대한 정확한 실시간 조절이 필요하다. 이러한 결합을 분리하는 제어 벡터인 \textit{가상 회로}(virtual circuits, VC)는 특정 Grad--Shafranov(GS) 평형에 대해 형상 매개변수를 독립적으로 제어할 수 있게 한다. VC의 수치 계산은 현재 실시간으로 수행할 수 없으므로, VC는 보통 각 실험에 앞서 원하는 시나리오 궤적을 따라 추출한 소수의 기준 GS 평형을 이용해 계산되며, 각 VC는 미리 설정된 시간 구간 동안 플라스마를 제어하는 데 쓰인다. 이 방식은 기준 평형 근처에서는 효과적이지만, 플라스마가 기준 평형이나 원하는 궤적에서 벗어나면 성능이 저하될 수 있고, 빠르게 변화하는 플라스마 구성에 대한 강건한 제어 전략의 설계를 복잡하게 만든다. 본 논문에서는 MAST Upgrade(MAST-U) 플라스마 제어 시스템에 상태 인지형 VC를 실시간으로 제공하기 위해, VC를 도출할 수 있는 플라스마 형상 매개변수의 신경망 기반 에뮬레이터를 구축한다. 이를 위해 MAST-U 운전 공간의 상당 부분을 포괄하는 100만 개가 넘는 시뮬레이션된 GS 평형으로 이루어진 방대한 라이브러리를 개발한다. 이 에뮬레이터는 기울기를 빠르게 계산할 수 있는 미분 가능한 함수를 제공하여, 실시간 형상 제어를 위한 정확한 VC의 도출을 가능하게 한다. 우리는 에뮬레이션된 VC가 제어 문제를 분리하는지 시험함으로써 이를 폭넓게 검증한다. 신경망 기반 접근은 다양한 평형 범위에서 높은 정확도와 직교성을 달성한다. 이 연구는 사전 계산된 VC 스케줄에 대한 확장 가능하고 일반적인 대안으로서 에뮬레이션된 VC의 물리적 타당성을 확립한다.
스텔러레이터는 제어된 핵융합을 달성하기 위한 유망한 자기 confinement 방식이다. 그러나 구성의 성능을 평가하려면 계산 비용이 큰 고충실도 시뮬레이션이 필요하므로 스텔러레이터 설계는 여전히 어렵다. 특히 안내 중심(guiding center) 시뮬레이션에서 도출되는 핵심 성능 지표는 설계 최적화 루프에 직접 포함하기에 비용이 크며, 거의 진단 용도로만 사용된다. 기계학습은 새로운 스텔러레이터 구성을 신속하게 생성하고 평가할 수 있게 함으로써 핵융합 연구를 진전시킬 잠재력이 있다. 핵융합에 기계학습을 효과적으로 적용하려면 설계의 다양성과 고충실도 시뮬레이션 출력을 모두 담은 대규모 데이터셋이 필요하다. 본 연구에서는 안내 중심 시뮬레이션 결과 및 궤적과 짝지어진 스텔러레이터 설계 데이터셋인 Benchmark of Stellarator Simulations(BoSS)를 소개한다. BoSS는 안내 중심 시뮬레이션의 최초 대규모 데이터셋으로, 다양한 자기 기하와 confinement 특성에 걸친 180,000개의 서로 다른 자기유체역학 평형에 대한 시뮬레이션 데이터를 포함한다. 스텔러레이터 설계를 가속하는 기계학습의 유용성을 보이기 위해, 우리는 두 가지 모델링 과제 집합을 정의하고 다룬다. 하나는 입자 confinement가 우수한 스텔러레이터를 설계하는 생성 모델링이고, 다른 하나는 스텔러레이터의 열 침착 패턴과 입자 궤적을 예측하는 대리 모델링이다. 이 과제들은 기계학습이 스텔러레이터 분야에 미칠 수 있는 잠재적 영향과, 과학 분야에서 기계학습 모델의 적용성을 높일 중요한 기회를 드러낸다. 우리의 기준 모델은 다양하고 성능이 우수한 스텔러레이터를 생성하고 유용한 대리 예측을 제공하며, 장기 궤적 예측과 분포 외 생성을 향후 연구의 핵심 방향으로 제시한다. BoSS는 https://boss.flatironinstitute.org/ 에서 접근할 수 있다.
적은 수의 센서로부터 공간적으로 분해된 플라즈마 동역학을 재구성하는 것은 진단, 축소 모델링(reduced-order modelling) 및 제어에 필수적이지만, 희소한 측정값이 다중 스케일이면서 영역에 의존적인 자유도를 불완전하게 제약하기 때문에 여전히 어려운 과제로 남아 있다. Shallow Recurrent Decoder(SHRED)는 측정 이력(measurement history)을 활용하여 공간적 희소성(sparsity) 문제를 부분적으로 해결하지만, 완전 연결(fully connected) 디코더는 스케일 전반에 걸친 공간 구조를 해석하거나 명시적인 매개변수(parameter) 의존성을 다루는 명시적 메커니즘을 제공하지 않는다.
본 연구에서는 Recurrent Multiscale Affine-modulated Inference Network(ReMAIN)를 제안한다. 이는 SHRED의 순환적(recurrent) 시간 인코딩을 유지하면서도, 디코더를 U-Net으로 대체하여 특징(feature) 계층 구조가 특징별 선형 변조(feature-wise linear modulation)를 통해 순환 상태(recurrent state)에 의해 조건화되도록 한다. 시간적 표현(temporal representation)은 U-Net 전반에 걸쳐 조밀한 사전 정보(dense prior)와 스케일별 변조를 동시에 제공한다. 매개변수적 확장(parametric extension)은 운영 조건과 센서 이력을 함께 임베딩하여, 지배 동역학이 운영 영역(operating regime)에 따라 변화할 때 재구성이 이에 적응할 수 있도록 한다.
ReMAIN은 먼저 다양한 동역학을 대표하는 6개의 1차원 비선형 편미분방정식(PDE)에 대해 SHRED와 벤치마크(benchmark) 비교된다. 모든 벤치마크에서 ReMAIN은 미학습(unseen) 궤적에 대한 재구성 오차를 줄이고, 급격한 전환(sharp transition), 국소 극값(localized extrema), 미세 스케일 변화를 더 충실하게 해석한다. 이후 매개변수 조건화 모델(parameter-conditioned model)은 수직 축방향 전기장과 반경 방향 자기장을 받는 무충돌(collisionless) E × B 플라즈마에 대해 시연되며, 이때 전기장 강도가 운영 매개변수(operating parameter) 역할을 한다. ReMAIN은 고차원의 다중 스케일 플라즈마 상태를 재구성하며, 학습(training)에서 제외된 전기장 강도에서도 영역에 의존적인 시공간적 동역학을 복원한다.
종합적으로, ReMAIN은 희소 센서 기반의 전체 상태 재구성을 개선하며, 매개변수 조건화를 통해 플라즈마 운영 영역 전반에 걸쳐 일반화된다.
본 논문에서는 DIII-D 국립 핵융합 연구소(DIII-D National Fusion Facility)의 10년 이상 축적된 레이블 없는 실험 데이터로부터 자기지도학습(self-supervised learning) 방식으로 학습된 핵융합 플라즈마 거동 시뮬레이션을 위한 생성형 월드 파운데이션 모델인 IGNITE를 소개합니다. IGNITE의 핵심은 주어진 구동기 궤적(actuator trajectories)으로부터 DIII-D 방전을 시뮬레이션할 수 있는 동역학 모델(dynamics model)입니다. 이러한 궤적은 직접 제공되거나 텍스트 프롬프트(prompt) 또는 원하는 실험 결과로부터 실시간으로 생성될 수 있습니다. 모델 아키텍처는 시계열과 같은 시공간 측정 데이터, 이미지 시퀀스, 고해상도 스펙트로그램 등 서로 크게 다른 시간 척도에서 수집된 다양한 입력 양식(modalities)을 임베딩(embedding)하는 여러 시공간 토크나이저로 구성됩니다. 백본(backbone)은 초기 잠재 플라즈마 상태와 구동기 궤적이 주어졌을 때 이론적으로 무한한 지평(horizon)에 걸쳐 DIII-D 방전 전체를 예측할 수 있는 자기회귀(auto-regressive) 동역학 모델로 이루어져 있습니다. IGNITE는 핵융합을 위한 효율적인 AI 기반 실험 계획 및 월드 모델링으로 나아가는 길을 열어줍니다.
토카막 경계 플라즈마 시뮬레이션을 위한 고속 대리 모델(surrogate)은 일반적으로 전역 운전점(operating point)을 셀 값들의 평탄화된 벡터로 매핑하는 결정론적 회귀기이다. 디버터 탈부착(divertor detachment) 전이 근처에서는 정상 상태(steady state)가 단일 값으로 안정적으로 정해지지 않는다. 점 추정(point estimate)은 질적으로 서로 다른 플라즈마 상태들에 걸쳐 평균을 내야 하며, 신뢰도에 대한 어떠한 언급도 없이 결과를 내놓는다. 더욱이 평탄화된 벡터 표현은 SOLPS-ITER 메시의 기하학적 구조를 버린다. 본 연구는 이 두 가지 문제를 모두 다룬다. 우리는 곡선형(curvilinear) 메시를 셀 인접성을 보존하고 정확히 역변환되는 배치를 가진 세 개의 고정 크기 이미지 텐서로 펼쳐, 합성곱 신경망(convolutional network)이 정보 손실 없이 기하 구조 위에서 동작할 수 있도록 한다. 이후 민감도가 높은 시스템에 적합한 조건부 플로 매칭(conditional flow matching) 모델을 이 표현 위에서 학습한다. 그 결과 민감한 운전점에서도 여러 개의 그럴듯한 결과를 포착하는 효율적이고 확장 가능한 대리 모델을 얻는다. 가스 퍼프(gas-puff) 스캔을 따라, 예측 분포는 초기 레짐 전이(regime transition)를 지나면서 고온 모드와 저온 모드로 갈라진다. 크기가 알려진 분기(bifurcation)를 주입한 합성 데이터에 대한 추가 검증에서도, 모델이 두 분기의 평균이 아니라 두 분기를 각각 복원함을 확인한다.
신뢰할 수 있는 붕괴 예측은 미래 토카막의 안전한 운영에 필수적이다. 기존의 완전 분포 생존(full-distribution survival) 기법들은 전체 잔여 붕괴 시간 분포를 모델링하지만, 실제 운전 의사결정은 주로 유한한 예측 구간(prediction horizon) 내의 붕괴 위험에 의존한다. 이러한 불일치는 생존 기반 붕괴 예측에 조기 이벤트 예측(EEP) 목적식을 도입하는 계기가 된다. 본 연구에서는 Deep Survival Machines(DSM)을 완전 분포 기준선(baseline)으로 삼고, 이미 확립된 두 가지 EEP 기법을 토카막 붕괴 예측에 적용할 것을 제안한다. 이는 유한한 구간 내의 붕괴 확률을 직접 예측하는 Temporal Label Smoothing(TLS)과, 해당 구간 내의 이벤트 발생 시간 분포까지 추가로 모델링하는 survTLS이다. 공통의 인과적 인코더(causal encoder)를 사용하여 DIII-D, Alcator C-Mod, EAST 장치에서 이 방법들을 비교한다. 본 연구에서는 임계값과 무관한 데드라인 순위화(deadline ranking)와 검증(validation)으로 선택된 고정 정책 기반의 경보 성능을 구분하며, 예측 구간 및 인코더 아키텍처를 평가한다. TLS는 DIII-D와 EAST에서 가장 우수한 평균 경보 성능을 달성한 반면, 모든 방법이 Alcator C-Mod에서는 저조한 성능을 보인다. survTLS는 DSM을 일관되게 능가하지 못하며, 이는 현재 설정에서 구간 내의 세부 이벤트 시간 분포를 모델링하는 것보다 구간 단위의 이벤트 확률을 직접 학습하는 것이 더 효과적임을 시사한다. 마지막으로, 선택된 예측 구간과 인코더 절제 연구(ablation) 결과는 장치마다 다르게 나타나며, 이는 각 장치별 붕괴 특성의 차이를 반영한다.
토카막(Tokamak) 장치 제어를 위한 실시간 플라즈마 상태 추정은 플라즈마 제어 시스템(PCS)의 엄격한 지연 시간 요구사항으로 인해 까다롭습니다. 본 논문에서는 순환 확률 신경망(RPNN)을 FPGA 하드웨어에 배포하기 위한 엔드투엔드(end-to-end) 워크플로를 제시합니다. 아키텍처 크기 축소와 QKeras를 통한 양자화 인식 학습(quantization-aware training)을 결합합니다. 그런 다음 모델은 Xilinx Alveo U50 장치를 타깃으로 hls4ml을 사용하여 합성됩니다. 우리는 4가지 리소스 예산(DSP, LUT, FF, BRAM)을 모두 충분히 만족하면서 결정론적인(deterministic) 10~$\mu$s 미만의 단일 타임스텝 지연 시간을 달성하여, 모델 예측 제어(MPC) 방식의 플라즈마 제어 루프 내 실시간 추론 요구사항을 충족하는 설계를 보고합니다.