핵융합 기술과 인공지능 기술의 융합 (Energy Insight Vol.4)

최근 NFRI 블로그에 올라온 Energy Insight Vol.4를 보았다

 

사람들은 요즘 인공지능, VR에 많다

이러한 인공지능이나 VR은 다양한 분야에서 이용될 수 있으며

특히 핵융합 발전 연구에도 큰 영향을 끼치고 있다

 

이번 Energy Insight에서 관심깊게 보았던 파트는

Virtual KSTAR, 머신러닝을 이용한 핵융합 연구이다

 

#Virtual KSTAR

Virtual KSTAR를 설명하는 부분에선

Digital Twin 이라는 기술이 눈에 띄었다

'Digital Twin은 물리적 장치를 컴퓨터에 동일하게 구현하는 기술'이다.

즉슨 컴퓨터 가상공간 내에

KSTAR와 동일한 조건의 장치를 만들어 컴퓨터 내에서 실험을 진행한다는 것이다

그리고 이렇게 가상의 장치에서 실험하는 과정 및 결과를

VR로 실시간 모니터링한다면?

실험에 필요한 시간, 정비, 비용 등을 상당히 아낄 수 있다

NFRI에서는 이 기술을 실행하는 중장기 계획을 수립중이라고 한다

 

#머신러닝을 이용한 핵융합 연구

H-모드와 ELM의 분류 예측

현재 핵융합로 플라즈마 H-모드는 플라즈마의 가둠 성능이 기존의 2배 정도 된다

이러한 H-모드에서는 토카막 내에 존재하는 플라즈마의 경계 부근에 수송장벽이 형성되어

고온의 입자 및 에너지가 빠져나가는 것을 막아준다

그래서 H-모드는 ITER에서도 사용될 예정이라고 한다

 

이러한 H-모드의 부작용이 하나 있는데, 바로 ELM이다

ELM은 '플라즈마 중심부의 고온 입자나 에너지가 방출되는 경계면 불안정 현상'이다

이렇게 ELM에의해 방출된 고온의 에너지와 입자들은

토카막 용기 내부의 벽이나 디버터를 손상시킬 수 있다

3차원적 자기장으로 이러한 ELM을 방지할 수 있는데

언제 어떻게 ELM이 발생할지를 모른다

 

그렇기에 연구진들은 머신러닝 모델 중 하나인 LSTM에

플라즈마가 H-모드로 전이될 때 급감 패턴을 보이는

중수소에 대한 발머 계열의 스펙트럼 신호와 전이되는 시점을 기준으로

급상승 패턴을 보이는 선평균 전자밀도 신호를 이용해 H-모드와 ELM의 두 패턴을 LSTM에 학습시켰다

2017년도의 실험 데이터를 이용하여 분류하였고

오프라인 테스트에서 약 94퍼센트의 분류 정확도 2018년도에는 84%의 분류 정확도를 보였다고 한다

이렇게 학습된 머신러닝 모델을 이용하여 2019년부터는

KSTAR에서 실시간으로 ELM과 H-모드를 분류하여 ELM 현상을 자동으로 제어하는 실험이 수행되었다고 한다

 

토카막 플라즈마 붕괴 현상 예측

토카막 플라즈마에서는 핵융합 반응을 일으키기 위해 높은 자기장을 이용해 높은 압력의

플라즈마를 가두기 때문에 다양한 불완전한 현상이 일어날 수 있으며

이를 제어하는 것을 실패하면 플라즈마 붕괴가 발생할 수 있다

이 붕괴 현상 예측 또한 LSTM 기법을 이용한다고 한다

이때까지 얻은 플라즈마 붕괴 데이터 베이스를 통해 어떤 인자가 붕괴에 영향을 주는지 인지하고

붕괴 완화를 위한 시스템과 연동되어 플라즈마 붕괴가 토카막 장치에 주는 영향을 최소화 시킬 수 있다

 

플라즈마 붕괴 관련 인자로는 플라즈마 전류 오차, 플라즈마 수직 방향 위치, 내부 인덕턴스

가장자리 안전 인자, 플라즈마 전자 밀도, 방사 에너지량, 일주 전압, 불안전성에 의한 섭동 자기장 크기 등이 있다고한다

 

나도 현재 목표로 삼고 있는 것은 머신러닝을 이용한 토카막 플라즈마 진단이다

관련 내용이 이렇게 자세하게 서술되어 있는것은 도통 찾기가 힘들었는데

이거 찾아서 정말 다행이고 좋다고 생각한다

 

Energy Insight Vol.4 Link:

https://www.nfri.re.kr/resources/attach/%EC%A0%9C4%ED%98%B8_Energy_Insight_202002.pdf