핵융합 반응기 에너지 수율을 높일 수 있는 기계 학습 알고리즘

산디아 국립 연구소(Sandia National Laboratories)의 연구진은 최근 핵융합 반응기 에너지 출력을 개선하기 위한 기계 학습 알고리즘을 설계했다. 연구 팀은 핵융합 반응기 내의 플라즈마와 재료 간의 상호 작용을 시뮬레이션하기 위해 AI 알고리즘을 사용했다.

원자 분열과 달리, 원자 분열은 원자를 분열시키는 반면, 핵융합 반응은 플라즈마의 생성을 통해 에너지를 방출한다. 수소 원자는 플라즈마 구름을 생성하기 위해 초고온으로 가열되고, 이 구름은 내부의 입자가 충돌하고 융합함으로써 에너지를 방출한다. 이 과정은 혼란스럽고, 과학자들이 핵융합 과정을 더 잘 제어할 수 있다면, 핵융합 반응기에서 생성되는 사용 가능한 에너지의 양이 크게 증가할 수 있다.

이 문제를 해결하는 연구자들은 핵 반응기 챔버 벽과 플라즈마 구름 사이의 상호 작용에 대한 복잡한 시뮬레이션을 실행해야 한다.

에이단 톰슨(Aidan Thompson)에 따르면, 기계 학습 알고리즘은 극도로 복잡한 문제를 해결하는 것이 가능했다. 톰슨과 다른 연구자들은 에너지부 과학 사무소(Department of Energy Office of Science)로부터 핵융합 반응기 에너지 출력을 개선하기 위해 기계 학습을 어떻게 사용할 수 있는지 결정하도록 görev을 받았다. 지금까지 원자 수준의 이러한 상호 작용에 대한 시뮬레이션을 수행하는 것은 실현 가능하지 않았다. 그러나 기계 학습 덕분에, 반응기 벽에 충돌할 때 플라즈마에서 발생하는 많은 작은 변화가 모델링할 수 있게 되었다.

기계 학습 알고리즘은 데이터 내에서 패턴을 찾는 데 탁월하다. 기계 학습 알고리즘은 이전에 본 패턴을 적용하여 보지 못한 이벤트를 분류할 수 있기 때문에, 핵융합 과정을 최적화하는 데 필요한 시도와 오류를 많이 제거하는 데 유용했다. 톰슨은 플라즈마가 핵융합 챔버 내에서 생성될 때, 헬륨, 수소, 중수소와 같은 원소의 입자가 반응기 벽을不断히 충격한다고 설명했다. 반응기 벽에 충격을 가한 플라즈마는 벽을 작지만 중요한 방식으로 변경한다. 벽 자체의 구성은 플라즈마 구름을 다시 변경한다. 이 반응의 주기는 거의 같은 온도에서 발생하며, 이는 태양의 온도와 거의 같다. 또한 이 반응은 나노초 단위로 지속된다. 이 과정을 최적화하는 것은 반응기 벽의 구성 요소를 수정한 다음 결과가 어떻게 변경되는지 직접 측정하는 고통스러운 과정이다.

톰슨과 다른 연구자들은 양자 역학 계산으로 구성된 대규모 데이터 세트를 실험하고, 원자 구성의 에너지를 예측할 수 있는 모델을 교육했다. 결과는 기계 학습 상호 원자 포텐셜(MLIAP)이었다. 이 알고리즘은 상대적으로 적은 수의 원자 간의 상호 작용을 조사하는 데 사용될 수 있으며, 핵융합 과정을 모방하기 위해 필요한 수백만 개의 원자로 모델을 확장할 수 있다. 톰슨에 따르면, 연구 팀이 설계한 모델은 유용한 시뮬레이션을 위해 수천 개의 매개 변수가 필요했다.

모델이 유용한 상태로 유지되려면, 융합과 훈련 데이터에서 발생하는 환경 사이에 상당한 중첩이 있어야 한다. 가능한 융합 환경은 다양하므로 연구자들은不断으로 데이터를 캡처하고 모델을 수정해야 한다. 토마스(Thomas)는 Phys.org를 통해 다음과 같이 말했다.

“우리의 모델은 처음에 작은 실험을 해석하는 데 사용될 것이다. 반대로, 그 실험 데이터는 우리의 모델을 검증하는 데 사용될 것이며, 그 모델은 전체 규모의 핵융합 반응기에서 발생하는 일을 예측하는 데 사용될 수 있다.”

알고리즘은 아직 실제 핵융합 연구자들이 사용할 준비가 되지 않았다. 그러나 톰슨과 그의 연구 팀은 플라즈마-벽 문제에 기계 학습을 적용하는 첫 번째 연구자 그룹이다. 팀은 몇 년 내에 모델이 더 나은 핵융합 반응기를 설계하는 데 사용될 수 있기를 희망한다.