물리 법칙을 내재화한 AI의 탄생
서론: 텅스텐의 한계와 액체 금속의 딜레마
인류가 태양의 에너지를 지상에 구현하기 위해 만든 자기 가둠 핵융합 장치(Tokamak)에서, 디버터(Divertor)는 배기구이자 가장 가혹한 환경에 노출되는 최전선입니다. 코어에서 발생한 엄청난 열속(Heat Flux)과 헬륨 재 등 불순물은 자기력선을 따라 디버터 타겟으로 쏟아집니다. 현재 ITER나 KSTAR 등에서 표준으로 채택된 소재는 녹는점이 약 3,422°C인 고체 텅스텐(W)입니다. 하지만 미래 상용로(DEMO) 수준에서 요구되는 10~20 $MW/m^2$의 정상 상태 열 부하와, ELM(Edge Localized Mode) 발생 시 순간적으로 치솟는 수 GW 수준의 열 폭격을 고체 소재가 영구적으로 버티는 것은 열역학적으로 불가능에 가깝습니다.
이러한 한계를 극복하기 위해 등장한 패러다임이 바로 '액체 금속 디버터(Liquid Metal Divertor)'입니다. 리튬(Li)이나 주석-리튬(Sn-Li) 합금 등을 디버터 표면에 얇게 흐르게 하여, 고열이 가해지면 액체 금속이 기화되면서 증발 잠열(Latent Heat of Vaporization)로 플라즈마의 열을 획기적으로 빼앗는 원리입니다. 손상된 벽이 스스로 재생되는 '불멸의 방패'인 셈입니다. 그러나 이 꿈의 소재에는 치명적인 약점이 존재합니다. 바로 자기유체역학(MHD, Magnetohydrodynamics)적 불안정성입니다.
제1장: 지배 방정식과 비산(Splashing)의 물리학
액체 금속은 전도체입니다. 토카막 내부는 수 테슬라(T)에 달하는 강력한 토로이달 자기장($B_T$)과 폴로이달 자기장($B_P$)이 교차하는 공간이며, 플라즈마로부터 유입되는 열전류(Thermoelectric current)가 존재합니다. 자기장 속에서 전류가 흐르는 유체는 필연적으로 로런츠 힘(Lorentz Force, $F_L$)을 받게 됩니다.
(여기서 $J$는 전류 밀도, $B$는 자기장 벡터입니다.)
이 로런츠 힘은 액체 금속의 흐름을 방해하거나, 특정 국소 부위에서 유체를 솟구치게 만듭니다. 여기에 1억 도의 플라즈마 입자들이 표면을 때리는 물리적 충격량이 더해지면, 액체 표면에는 켈빈-헬름홀츠 불안정성(Kelvin-Helmholtz Instability)과 레일리-테일러 불안정성(Rayleigh-Taylor Instability)이 중첩되어 발생합니다. 그 결과, 액체 금속 방울이 플라즈마 코어 방향으로 튀어 오르는 비산(Splashing) 현상이 일어납니다. 고원자번호 물질이 코어로 유입되면 강력한 제동 복사(Bremsstrahlung)를 일으켜 코어 플라즈마를 급격히 냉각시키고, 결국 붕괴(Disruption)를 초래하게 됩니다.
또한, 유동이 너무 느리거나 열이 과도하게 집중되면 액체 금속이 말라붙어 고체 기질(Substrate)이 노출되는 건조(Dry-out) 현상도 발생합니다. 즉, 엔지니어들은 액체 금속의 유속, 모세관 다공체(CPS)의 기공 크기, 그리고 자기장의 세기 사이에서 아슬아슬한 줄타기를 해야만 합니다. 이를 제어하기 위해 기존에는 막대한 컴퓨팅 파워를 요구하는 전산유체역학(CFD) 코드를 사용했으나, 수일이 걸리는 해석 속도로는 실시간 제어가 불가능했습니다.
제2장: 블랙박스 AI의 한계와 PINN의 구조적 혁신
최근 몇 년간 학계는 실시간 제어를 위해 딥러닝(CNN, LSTM 등)을 도입하려 시도했습니다. 센서 데이터를 쏟아부어 AI가 스스로 패턴을 찾게 만든 것입니다. 하지만 이 '데이터 기반(Data-driven) 블랙박스 AI'는 심각한 결함을 노출했습니다.
- 데이터 희소성(Data Sparsity): 핵융합로는 내부가 극한 환경이라 센서 부착이 극도로 제한되며, 의미 있는 실험 데이터를 얻기 위해 막대한 비용이 소모됩니다. AI를 학습시킬 양질의 라벨링 데이터 자체가 부족합니다.
- 물리적 비합리성: 오직 숫자의 상관관계만 학습한 AI는, 학습 데이터 범위를 벗어난 예기치 않은 열 폭주(ELM) 상황에서 질량 보존의 법칙이나 에너지 보존의 법칙을 무시하는 허무맹랑한 예측 값을 출력하곤 했습니다.
이러한 배경에서 등장한 구원자가 바로 물리 기반 인공신경망(PINN, Physics-Informed Neural Networks)입니다. PINN은 딥러닝 아키텍처의 손실 함수(Loss Function)를 혁신적으로 뜯어고친 모델입니다. 일반적인 AI가 정답과 예측값의 차이(MSE)만을 줄이려 한다면, PINN은 자신이 내뱉은 예측값이 '나비에-스토크스(Navier-Stokes) 방정식'을 만족하는지 스스로 검증합니다.
$L_{total} = w_{data} L_{data} + w_{PDE} L_{PDE} + w_{BC} L_{BC} + w_{IC} L_{IC}$
위 수식에서 각 항의 의미는 기술 혁신의 정수입니다.
- $L_{data}$: 실제 센서 측정값과 AI 예측값의 오차 (기존 AI와 동일)
- $L_{PDE}$: 신경망의 출력값을 자동 미분(Automatic Differentiation)하여 편미분 방정식(예: 질량 보존, 운동량 보존 방정식)에 대입했을 때 발생하는 잔차(Residual). AI가 물리 법칙을 어길수록 이 값이 기하급수적으로 커집니다.
- $L_{BC}, L_{IC}$: 디버터 형상에 따른 경계 조건(Boundary Conditions) 및 초기 조건 위배에 대한 페널티.
제3장: 이상 탐지(Anomaly Detection) 알고리즘의 실전 적용
Hoffmann 등의 연구진은 이 PINN 모델을 활용하여 액체 금속 디버터의 이상 징후를 밀리초(ms) 단위로 감지하는 데 성공했습니다. 액체 금속 표면에 레이저 간섭계와 초고속 적외선 카메라를 설치하고, 여기서 얻어지는 불완전한 온도 맵과 유속 벡터를 PINN에 입력했습니다.
PINN 모델은 불완전한 데이터 사이의 빈 공간을 나비에-스토크스 방정식과 전자기학 방정식을 통해 수학적으로 '추론(Inference)'하여 채워 넣습니다. 만약 특정 국소 부위에서 액체 금속의 막 두께가 임계점 아래로 얇아지면서 건조(Dry-out) 현상의 전조가 보이거나, J x B 힘에 의한 국부적 압력 상승이 표면 장력을 뚫고 비산(Splashing)을 일으키기 직전의 패턴이 감지되면, 시스템은 즉각 비정상(Anomaly) 트리거를 발동시킵니다.
이 신호는 즉각 플라즈마 제어 시스템(PCS)으로 전송되어, 가스 밸브를 열어 불순물 가스(Ne, Ar 등)를 주입해 플라즈마 온도를 강제로 낮추거나(복사 냉각 유도), 자기장 코일의 전류를 미세 조정하여 해당 부위의 열 부하를 분산시킵니다. 기존 CFD 기반의 제어는 연산에만 수 분이 걸려 이미 사고가 터진 뒤에야 경고를 울렸지만, 텐서플로우(TensorFlow) 기반으로 경량화된 PINN 모델은 이 모든 검증을 1ms 이내에 처리해 냅니다.
결론 및 공학적 시사점: RAD-CAD 시스템과의 통합 전략
본 논문이 핵융합 엔지니어링 생태계에 던지는 메시지는 명확합니다. 설계와 제어는 더 이상 분리된 영역이 아닙니다. 안토니오님이 현재 주도적으로 개발 중인 파이썬 기반의 'RAD-CAD Integrated Optimizer'에 이 PINN 알고리즘은 최적의 조각입니다.
RAD-CAD에서 텅스텐이나 Eurofer-97 등의 고체 소재와 다공성 액체 리튬 층의 기하학적 형태를 모델링할 때, PINN 모듈을 '평가 함수(Evaluation Function)'로 이식할 수 있습니다. 설계자가 다공체의 기공 크기(Pore Size)나 액체 주입 압력을 변경할 때마다, PINN 코어는 해당 설계가 실제 극한의 자기장과 열속 하에서 켈빈-헬름홀츠 불안정성을 유발하지는 않는지, 열역학적 평형을 유지할 수 있는지를 실시간으로 검증하여 최적의 파라미터를 역으로 제안할 것입니다.
데이터 부족이라는 핵융합계의 가장 큰 약점을 수학적 아름다움으로 극복해 낸 PINN. 우리는 이제 '물리를 이해하는 알고리즘'이라는 가장 강력한 무기를 얻었습니다. 이는 궁극의 청정에너지 상용화를 앞당길 가장 확실한 마일스톤이 될 것입니다.
댓글
댓글 쓰기