AI가 플라즈마 폭주를 예측합니다. MIT와 다른 연구진은 머신 러닝을 사용하여 소량의 샘플로 플라즈마 역학을 고정밀로 예측합니다.

"토카막"을 직접 언급하면 생소하게 느껴질 수 있습니다. 이렇게 소개하면:토카막 장치는 가장 이상적인 에너지원인 핵융합 에너지를 만들어내는 중요한 기술 중 하나입니다.어쩌면 "그게 바로 너구나"라고 깨닫는 순간이 올지도 모릅니다. 하지만 여기서 "핵에너지"는 원자력 발전소의 핵분열을 뜻하는 것이 아니라, 훨씬 더 에너지 효율적이고, 깨끗하고, 안전하며, 방사성 폐기물을 거의 발생시키지 않는 핵융합을 뜻합니다.

핵융합은 태양 내부에서 에너지가 생성되는 과정을 시뮬레이션하여 매우 높은 온도에서 가벼운 원자핵(중수소와 삼중수소 등)을 결합하여 에너지를 방출합니다.이를 위해서는 지구에 '작은 태양'을 만드는 것이 필요합니다.토카막 장치는 태양 중심부의 온도보다 높은 온도를 가진 플라즈마를 고리 모양의 진공 챔버에 담고 강력한 자기장으로 밀폐함으로써 핵융합 반응의 안정성을 유지합니다.

그러나 이상은 희망으로 가득 차 있지만 현실은 매우 "민감"합니다.토카막의 경우, 방전 종료 시 전류 감소는 매우 위험한 단계입니다. 토카막은 초당 최대 100km의 속도와 섭씨 1억도를 넘는 온도의 플라즈마 흐름에 직면합니다. 이 기간 동안 플라즈마는 급격한 과도 변화를 겪으며, 사소한 제어 오류라도 파괴적인 교란을 유발하여 장치를 손상시킬 수 있습니다.

이러한 맥락에서 MIT가 이끄는 연구팀은 과학적 기계 학습(SciML)을 사용하여 물리 법칙과 실험 데이터를 지능적으로 통합했습니다.소량의 데이터를 사용하여 토카막 구성 변수(TCV) 램프 다운 프로세스 동안 플라즈마 역학을 예측하기 위해 신경 상태 공간 모델(NSSM)이 개발되었습니다.불안정한 상황이 발생할 가능성 외에도, 이는 "인공 태양"의 정지를 안전하게 제어하는 데 또 다른 힘을 더합니다.

"TCV에서 예측 우선 실험을 통한 플라즈마 동역학 및 견고한 램프다운 궤적 학습"이라는 제목의 관련 연구는 Nature Communications에 게재되었습니다.

연구 하이라이트:

* 토카막 방전 감소 단계 동안 고정밀 동적 예측과 빠른 병렬 시뮬레이션을 달성하기 위해 물리적 제약과 데이터 기반 방법을 결합한 신경 상태 공간 모델(NSSM)이 제안되었습니다.
* TCV 실험에서 "먼저 예측" 외삽법 검증을 완료하고, "먼저 예측하고 나중에 실험"하는 폐쇄 루프 방식을 통해 진정한 데이터 기반 제어 검증을 실현합니다.

서류 주소:
https://www.nature.com/articles/s41467-025-63917-x
공식 계정을 팔로우하고 "Tokamak"이라고 답글을 달면 전체 PDF를 받을 수 있습니다.

더 많은 AI 프런티어 논문:
https://hyper.ai/papers

데이터 세트: 소규모 샘플을 사용한 효율적인 학습

연구팀이 모델 학습에 사용한 데이터 세트는 TCV 장치의 최근 배출 검사 기록 442개로 구성되어 있습니다. 이 중 311개 기록은 학습에 사용되었고(고성능 범위에 속하는 것은 5개뿐이었습니다), 131개는 검증에 사용되었습니다. 이 데이터 세트가 얼마나 "작은"지 느끼시나요?

이렇게 작은 규모의 데이터만으로 이 모델은 복잡한 플라즈마 역학을 예측하는 법을 배웠고, 단일 A100 GPU에서 초당 수만 개의 하강 궤적을 병렬로 시뮬레이션할 수 있었습니다. 이는 이 모델의 강력한 학습 및 예측 기능을 입증합니다.

신경 상태 공간 모델: 물리학을 골격으로, 신경을 영혼으로

연구의 핵심은 정지 단계 동안 플라즈마의 복잡한 역학을 정확하게 예측할 수 있는 모델을 구축하는 것입니다. 이를 위해 연구팀은 물리학과 데이터를 통합한 "신경 상태 공간 모델"을 설계했습니다.

이 모델의 골격은 0차원 물리 방정식으로, 주로 플라즈마의 에너지 균형과 입자 균형을 설명합니다. 그러나 구속 시간, 복사 손실 등과 같은 일부 주요 매개변수는 기본 원리를 사용하여 정확하게 모델링하기 어렵습니다.그래서 연구팀은 이러한 핵심 부분에 '신경망'을 내장했습니다.이를 통해 모델은 실험 데이터에서 시뮬레이션하기 어려운 물리적 효과를 학습할 수 있습니다. 예를 들어, 표준 차량 섀시를 갖춘 자율 주행 자동차가 실제 도로 데이터를 사용하여 "운전 경험"을 학습하는 것과 같습니다.

구체적으로, 이 모델은 플라즈마 전류 변화율과 중성 빔 주입 전력과 같은 일련의 제어 가능한 "동작"을 입력으로 받습니다. "물리 방정식 + 신경망"으로 구성된 이 하이브리드 미분 방정식 시스템을 풀면, 이 모델은 미래를 단계적으로 예측할 수 있습니다.

신경 상태 공간 모델(NSSM)의 학습 과정은 효율적이고 자동화된 프로세스를 따릅니다. 모델은 동역학 함수로 구성됩니다. 에프_θ  그리고 관찰 함수 영형_θ  모델을 정의하고, 순방향 시뮬레이션을 수행하여 예측값을 생성하고, 예측값을 실험 관측값과 비교하여 손실을 계산합니다. 그런 다음, diffrax와 JAX의 자동 미분 수반 기법을 사용하여 모델 매개변수를 최적화합니다.

흥미롭고 영감을 주는 실험 세션

모든 실험 중에서 가장 고무적인 두 가지 결과는 "제어 오류 민감도"의 견고성 검증과 "미리 예측" 외삽 테스트에서 나왔습니다.전자는 감속 단계에서 취약한 지점을 드러냅니다. 고전계 측의 갭에 약간의 편차가 있을 때 수직 불안정성 증가 속도가 엄청나게 증폭되어 수직 변위 사건(VDE)이 발생할 수 있습니다.

번호가 매겨진 #81751  플라즈마 방전 시, 이러한 현상은 플라즈마의 갑작스러운 편차와 종료로 이어집니다. 연구팀은 이를 바탕으로 강화 학습(RL) 환경에서 갭 오차의 불확실성 분포를 도입하여, 궤적이 학습 중 불확실성에 능동적으로 적응하도록 했습니다.결과는 재최적화된 궤적(#82875)는 유사한 오류 조건에서 안정적으로 유지됩니다.이러한 개선은 모델이 실제 오류로부터 견고성을 학습하는 능력을 보여주며, 데이터 기반 최적화가 실제로 안전 제약 조건 하에서 장치 작동의 내결함성을 향상시킬 수 있음을 증명합니다.

"예측 우선"이라고 불리는 또 다른 외삽 실험은이는 알려지지 않은 매개변수 범위에서 모델의 일반화 가능성을 검증합니다. 연구진은 상한 전류 한계를 140kA에서 170kA로 증가시켰고, 실험 전 궤적을 생성하기 위해 신경 상태 공간 모델(NSSM)의 예측에 전적으로 의존했습니다. 실험 결과는 모델의 주요 물리량 예측이 측정 결과와 매우 일치했으며, 방전은 파열 없이 성공적으로 종료되었음을 보여주었습니다.

"최적의 에너지"를 현실로 만드는 여정

연구팀은 커먼웰스 퓨전 시스템즈(CFS)와 협력하여 플라즈마 거동을 더욱 정확하게 예측하고, 기계 고장을 방지하며, 안전한 핵융합 발전을 달성하기 위한 새로운 예측 모델 및 유사 도구를 활용하는 방법을 연구하고 있는 것으로 알려졌습니다. 팀원인 앨런 왕은 "핵융합의 상용화를 위한 과학적 과제를 극복하기 위해 최선을 다하고 있습니다. 이는 긴 여정의 시작일 뿐이지만, 상당한 진전을 이루었다고 생각합니다."라고 말했습니다. 더욱이, 이 학제간 분야에서는 풍부한 새로운 연구가 진행되고 있습니다.

미국 프린스턴 플라즈마 물리학 연구소(PPPL)는 여러 대학과 협력하여 Diag2Diag 모델을 개발했습니다. 이 모델은 여러 소스에서 수집된 진단 신호 간의 상관관계를 학습하여 일부 센서가 고장 나거나 관측이 제한적인 경우 주요 플라즈마 매개변수를 가상으로 재구성하여 핵융합 장치의 모니터링 및 조기 경보 기능을 크게 향상시킬 수 있습니다. 관련 연구인 "Diag2Diag: AI 기반 핵융합 플라즈마 가상 진단"은 arXiv 플랫폼에 게재되었습니다.
서류 주소:
https://arxiv.org/abs/2405.05908v2

또한, arXiv 플랫폼에 게재된 "FusionMAE: 핵융합 플라즈마 진단 및 제어 최적화 및 간소화를 위한 대규모 사전 학습 모델"이라는 제목의 연구에서는 핵융합 제어 시스템을 위한 대규모 자기 지도 사전 학습 모델인 FusionMAE를 제안했습니다. 이 모델은 80개 이상의 진단 신호를 통합 임베딩 공간에 통합합니다. 마스크드 오토인코더(MAE) 아키텍처를 사용하여 다양한 채널 간의 근본적인 상관 관계를 학습하여 진단 및 제어 데이터 스트림을 효율적으로 정렬합니다. 이는 핵융합 에너지 분야에서 대규모 AI 모델의 통합을 선도합니다.
서류 주소:
https://arxiv.org/abs/2509.12945

인공지능이 "가장 이상적인 에너지원인 핵융합 에너지"를 현실로 만드는 여정에서 없어서는 안 될 힘이 되고 있다는 점에는 의심의 여지가 없습니다.

참고문헌:
1.https://news.mit.edu/2025/new-prediction-model-could-improve-reliability-fusion-power-plants-1007