과학과 산업 혁신을 돕는 인공지능(AI)이 안전하고 깨끗하며 사실상 무한한 융합 에너지 개발에 적용됐다.

미국 에너지부(DOE) 프린스턴 플라즈마 물리연구소(Princeton Plasma Physics Laboratory, PPPL)와 프린스턴대(Princeton University)에서 AI 퓨전에너지 연구가 진행 중이다. AI 심층학습(deep learning)을 적용한 새 버전은 융합 반응을 중단시키고 반응을 수용하는 도넛 모양의 토카막(tokamak)을 손상시킬 수 있는 갑작스러운 분출 현상을 예측한다.

토카막(tokamak)은 플라즈마를 가두기 위해 자기장을 이용하는 도넛형 장치이다. 가두어진 플라즈마를 안정화시키기 위해서는 자기장뿐만 아니라 내부 전류가 필요하며 플라즈마가 벗어나지 않게 하는 또 다른 자기장이 필요하다.

무한한 에너지원으로 각광받는 토카막 연구의 새로운 장을 연 이번 연구는 네이처 메거진(Nature Magazine) 최신호에 게재됐다.

PPPL책임자 스티브 카울리(Steve Cowley)는 “인공지능은 과학을 통해 폭발적으로 증가하고 있으며 이제는 융합에너지에 대한 전 세계 탐구에 기여하기 시작했다”고 말했다.

실험실 환경에서 가장 효율적인 융합 반응은 두 개의 수소 동위 원소 인 중수소(D)와 삼중 수소(T) 사이의 반응이다. 가벼운 수소 원자들의 융합은 보다 무거운 원소, 헬륨 및 하나의 중성자를 생성한다.

태양과 별의 핵융합은 자유 전자와 원자핵으로 구성된 물질이 고온 충전 상태인 플라즈마 형태의 빛을 융합시켜 에너지를 생성한다. 과학자들은 전기 생산을 위한 풍부한 전력 공급을 위해 지구상에서 융합을 재현하려고 시도한다.

연구에는 두 가지 주요 융합 시설의 방대한 데이터 베이스가 모두 활용된다. 캘리포니아에 위치한 미국 최대 DIII-D 국립융합시설과 융합 에너지 개발을 위한 유럽 컨소시엄 유로퓨전(EUROfusion) 관리하는 세계 최대의 영국 JET(Joint European Torus)다. JET와 DIII-D 과학자들의 지원은 플라즈마와 에너지의 갑작스런 분출을 예측하는 심층학습 훈련에 필수적이다.

방대한 데이터베이스는 심층학습 훈련을 통해 토카막 중단에 대한 신뢰할 수 있는 예측을 가능하게 했다. 이 성과는 훨씬 크고 강력한 토카막 ITER 분출 예측을 돕게된다. 세계 최대의 융합 실험 ITER은 35 개국이 참여, 토카막 건설과 운영에 협력하고 있다.

심층학습 코드(Fusion Recurrent Neural Network, FRNN)는 토카막 장애를 예측할 수 있는 가능성을 열어준다. 논문의 공동 저자이자 PPPL 수석연구 물리학자로 인공지능 프로젝트를 감독하는 빌 탕(Bill Tang) 프린스턴대 천체물리학과 교수는 “인공지능은 과학 성장의 가장 흥미로운 분야이며, 융합 과학과의 결합은 매우 흥미롭다”며 “우리는 융합 에너지를 정화하는 가장 위험한 과제를 높은 정확도로 예측하는 능력을 가속화했다”고 설명했다.

규정 된 지침을 수행하는 기존의 소프트웨어와는 달리, 심층학습은 실수로부터 배운다. 이 겉으로 드러난 마술은 신경네트워크, 수학적 알고리즘에 따라 상호 연결된 노드의 레이어가 매개 변수화 되거나 원하는 출력을 형성하는 프로그램에 의해 가중치 부여된다.

주어진 입력에 대해 노드는 페이스 식별과 분출의 정확한 예측과 같은 특정 출력을 생성하려고 시도한다. 노드가 이 작업을 수행하지 못하면 훈련이 시작된다. 올바른 출력을 얻을 때까지 가중치가 자동으로 새로운 데이터에 맞게 조정된다.

심층학습의 핵심 특징은 1차원 데이터보다는 고차원 데이터를 포착 할 수 있다는 점이다. 예를 들어, 비심층학습 소프트웨어는 단일 시점에서 플라즈마의 온도를 고려할 수 있지만 FRNN은 시간과 공간에서 발생하는 온도 프로파일을 고려한다.

인공지능 토카막 융합 연구 묘사. credit : Eliot Feibush / PPPL, Julian Kates-Harbeck / 하버드대

DOE 펠로우연구원인 하버드대 물리학 대학원생 줄리안 케이트-하벡(Julian Kates-Harbeck)은 네이처 논문 주 저자이자 코드 수석디벨로퍼다. 그는 “이러한 복잡한 데이터로부터 배우는 심층학습 방법은 혼란 예측을 위한 이상적인 후보자”라고 말했다.

신경망을 훈련하고 실행하는 것은 3-D 이미지를 렌더링하기 위해 처음 설계된 GPU (graphics processing unit)를 사용한다.

케이트-하벡은 JET와 DIII-D에서 수집한 2테라바이트 이상 데이터를 FRNN코드로 훈련했다. 프린스턴대와 오크리지 슈퍼컴퓨터, DOE 고성능 컴퓨터에서 이 소프트웨어를 구동했다.

다수 컴퓨터 네트워크를 만드는 것은 까다로운 작업이다. 알고리즘을 프로덕션 코드로 변환하는 데 도움을 준 네이처 논문 공동 저자 알렉세이 스바코프스키(Alexey Svyatkovskiy)는”심층 신경 네트워크를 교육하는 것은 고성능 컴퓨팅 클러스터가 필요한 연산 집약적 문제“라며 “매우 효율적인 병렬 프로세싱을 달성하기 위해 많은 신경회로망 전체에 신경네트워크 전체를 복사했다“고 말했다.

이 소프트웨어는 ITER의 30밀리 초 시간대 내에서 정확한 분출을 예측하고 오작동 발생 건수를 줄였다. 이 코드는 현재 3퍼센트 미만의 오류 경보로 95 퍼센트의 정확한 예측을 보이고 있다.

다음 단계는 예측에서 제어와 중단 실행이다. 케이트-하벡은 “최후의 순간에 장애를 예측하고 완화시키는 대신에, 우리는 처음에는 가장 큰 혼란을 피하기 위해 불안정한 지역에서 플라즈마를 조심스럽게 조종하기 위해 미래의 심층학습 모델을 사용하는 것이 이상적”이라고 말했다.

마이클 젠스토르프(Michael Zarnstorff) PPPL 실험실 수석과학책임자는 “ITER 이후의 토카막에 대한 통제가 필수적이다. 그것은 분출 회피가 필수 요건이 될 것”이라고 지적했다.

AI의 정확한 예측을 실제 플라즈마 제어로 발전시키는 데는 하나 이상의 분야가 필요하다. 그는 “고성능 컴퓨터의 기본 원리와 물리학, 심층학습을 결합해 실제 플라즈마 연소 제어 메커니즘을 만들 것“이라고 말했다.