본 논문은 Oak Ridge National Laboratory (ORNL)의 안전한 원자로 시설에서 내부 위협이나 파괴 행위를 방지하기 위한 디지털 트윈 시스템인 MetaPOL을 구축하는 과정에서 발생한 문제와 그 해결 방안을 제시한다. 고위험 시설의 특성상 인적 활동 센서를 이용한 데이터 수집에 제약이 있었기에, 연구진은 시설 직원의 활동 패턴에 대한 일화적 증거를 기반으로 에이전트 기반 모델(ABM)을 사용하여 합성 이동 경로를 생성했다. 이 합성 경로는 심층 신경망 서로게이트를 훈련하는 데 사용되었고, 이를 통해 가상 환경(VR) 내의 비플레이어 캐릭터(NPC)의 다음 위치와 체류 시간을 예측했다. 본 연구는 이 기법의 효과성을 평가하고, 정상 작동 중 NPC의 움직임과 모의 비상 대응 중 움직임을 구분할 수 있는지 여부를 분석한다. 다층 퍼셉트론(MLP)을 다음 위치 예측에, 혼합 밀도 네트워크(MDN)를 체류 시간 예측에 사용하여 ABM이 생성한 경로를 성공적으로 예측했음을 보여준다. 또한, 심층 신경망으로 제어되는 VR 환경 내 NPC의 정상 작동 중 움직임은 모의 비상 시나리오에 대한 반응 시 움직임과 통계적으로 유의미한 차이를 보였다.
