본 논문은 입자 가속기 운영의 안정성 향상을 위해 머신러닝(ML) 기반 지속적 학습(Continual Learning)의 적용 가능성을 탐구한다. 입자 가속기는 수많은 장비의 동기화를 필요로 하는 고출력 복합 시스템으로, 기존 ML 기법들은 측정 가능 및 불가능한 매개변수 변화로 인한 데이터 분포 변동(distribution drift)으로 인해 장기간 안정적인 성능을 유지하는 데 어려움을 겪는다. 본 논문은 입자 가속기 내 기존 ML 응용 및 그 한계점을 논의하고, 지속적 학습 기법들을 검토하여 데이터 분포 변동 문제 해결에 대한 잠재력을 조사한다. 지속적 학습 적용의 기회와 과제를 파악하여 입자 가속기 분야에 대한 지속적 학습 연구를 촉진하고자 한다.
