인공지능이 핵융합 에너지 상용화를 위한 핵심 기술로 부상하면서, 빠르고 정확한 솔버의 중요성이 커지고 있습니다. 본 논문에서는 Grad-Shafranov 방정식(GSE)의 해를 구하기 위해 Physics-Informed Neural Operator (PINO)를 제시합니다. 특히 Transformer-KAN (TKNO) Neural Operator를 활용하여 높은 정확도와 빠른 추론 속도를 달성했습니다. 데이터 기반 모델의 한계를 극복하기 위해 무감독 학습과 반지도 학습을 통해 물리적 제약 조건을 통합하여 모델의 성능을 향상시켰습니다. TensorRT 최적화를 통해 밀리초 단위의 추론 속도를 확보하여 차세대 핵융합 제어 시스템에 적용 가능성을 제시합니다.
시사점, 한계점
•
시사점:
◦
Transformer-KAN Neural Operator (TKNO)를 활용한 PINO 모델은 GSE 해를 구하는 데 있어 높은 정확도와 빠른 추론 속도를 달성했습니다.
◦
무감독 학습과 반지도 학습을 통해 물리적 제약 조건을 통합하여 모델의 일반화 성능을 향상시켰습니다.
◦
TensorRT 최적화를 통해 밀리초 단위의 추론 속도를 확보하여 실제 핵융합 제어 시스템에 적용 가능성을 높였습니다.
•
한계점:
◦
모든 데이터 기반 모델은 물리적 잔차(residuals)가 큰 문제점을 보였습니다.
◦
모델의 성능은 학습 데이터의 양과 분포에 따라 영향을 받을 수 있습니다.
◦
논문에서 제시된 모델의 실제 핵융합 장치 적용에 대한 구체적인 내용은 언급되지 않았습니다.
