GN⁺: 실시간 핵융합 플라즈마 행동 예측 및 조작을 위한 AI 기술

AI를 이용한 실시간 핵융합 플라즈마 행동 예측 및 조작

• 멀티모달 초해상도: 다중 공간 및 시간적 물리학 규모로 지배되는 비선형 복합 시스템은 단일 진단으로 완전히 이해할 수 없음. 여러 진단을 결합하면 시스템 물리학의 불완전한 투영이 발생함. 숨겨진 상호 상관성을 식별하여 이러한 격차를 메우는 것이 가능함. 이를 위해 혁신적인 기계 학습 방법론을 도입함. 이 방법론은 엣지 로컬라이즈드 모드(ELM)와 같은 플라즈마 불안정성을 해결하는 데 도움을 줌.

• 기계 학습을 통한 RT 프로파일 제어: 토카막에서 플라즈마를 제어하기 위해 다양한 "액추에이터"를 사용함. 모델 예측 제어를 통해 물리학 실험의 성공률을 높이고 시간을 절약할 수 있음. 실시간 물리 모델이 항상 정확하지 않기 때문에 기계 학습 모델을 개발하여 실시간 진단만을 사용하여 100마이크로초 이내에 예측을 생성함.

고해상도 진단을 통한 플라즈마 행동 모니터링

• 불안정성 탐지 및 분류: 전자 사이클로트론 방출 신호를 기반으로 플라즈마 코어의 불안정성을 탐지하고 분류하는 연구를 진행함. Reservoir Computing Networks와 같은 기계 학습 모델을 사용하여 시간 시계열 데이터 처리에 효과적임을 입증함.

• 진단 데이터의 정확성 및 범위 향상: 진단 데이터의 정확성과 범위는 핵융합 연구 장치 및 원자로의 최적 성능을 이해하는 데 중요함. 기계 학습 기반 접근 방식을 통해 진단 신호를 재현하고, 신호 시각화를 향상시킴.

토카막 수송 모델의 대규모 데이터베이스 교차 검증 및 검증

• 토카막 수송 예측의 신뢰성 향상: DIII-D 방전을 사용하여 통계적 유의성을 확보하고, 예측 모델의 신뢰성을 높임. 1D 수송 솔버 ASTRA와 TRANSP를 검증하여 저장 에너지를 예측하는 데 있어 높은 정확성을 보였으나, 플라즈마 온도 프로파일 예측에서는 간단한 경험적 모델에 비해 통계적 이점이 없었음.

실시간 탄소-III 방출 전면 프록시를 통한 안정적인 디버터 방사 분리

• 안정적인 디버터 분리: 토카막이 과도한 열 플럭스로 인한 디버터 플레이트 손상을 방지하면서 좋은 격리를 유지할 수 있도록 함. 기계 학습 알고리즘을 사용하여 토카막 내 어디서든 분리 값을 직접 찾고, 필요한 경우 액추에이션 신호를 조정할 수 있음.