에너지·식량 Big Data Deep Learning

핵융합 빅데이터 딥러닝 수행 / 서울대 원자핵 공학과 FUSMA

핵융합 토카막 운전 딥러닝 적용 가능성 검증

KSTAR(Korean Superconducting Tokamak Advanced Research,
차세대 초전도 핵융합 연구장치)를 실제로 운전하기 위해서는 많은 시간과 비용이 필요합니다.
딥러닝을 KSTAR 실제 운전에 적용하기에는 기술개발이 충분히 이루어져 있지 않고,
검증되지 않은 기술을 실제 운전에 적용하는 것은 비용과 안정성에도 큰 부담이 되므로,
토카막 딥러닝 플라스마 온도 예측 시뮬레이터를 개발하여,
딥러닝 적용 가능성을 검증하고 향후 연구에서는 토카막 실운전에 적용하기 위한 기술 고도화를 시도하는 접근이 필요합니다.
과거 KSTAR 핵융합 토카막의 실제 운전 data를 기반으로 하는 토카막 H-mode 유지를 위한 pedestal 값을 예측함으로써,
향후 ion temperature 제어를 위한 가능성을 높이는 접근이 필요하게 되었습니다.

예상하지 못한 운전 시나리오에도 유연하게 대응할 수 있는 딥러닝 예측

기존 방식은 물리학, 기계공학 등의 이론을 기반으로 최적의 운전 시나리오를 구성하고, 이 운전 시나리오에 따라
핵융합 토카막을 운전 토카막 플라즈마의 위치나 모양이 최적 운전 시나리오에서 벗어나는 경우에는 토카막이 급격하게 불안정해져서 운전이 중단됩니다.
기존에 pedestal 예측에 사용되는 코드(EPED, etc.)들의 경우 계산하는데 사용하는 computational cost가 높고 속도도 느려 한 shot에 대해
약 반나절 이상의 시간이 소요된다는 단점이 있어 실시간으로 계산 할 수 없다는 단점이 존재합니다.
RNN(Recurrent Neural Network) 등 딥러닝 기법을 이용한다면 training을 마친 네트워크의 경우 기존에 사용하던
시뮬레이션 코드 방식보다도 훨씬 빠르게 계산이 가능하여 실시간 예측에도 사용할 수 있는 가능성이 존재합니다.

KSTAR 핵융합 토카막 H-mode 유지를 위한 pedestal 값 예측

PC 웹에서 KSTAR 핵융합 토카막 운전 data 를 기반으로 토카막 내에서 얻을 수 있는 여러 센서들의 값으로
플라스마 온도값 중 pedestal height값을 예측하여 향후 연구에서 H-mode를 플라즈마 가열을 통해 실시간 유지할 수 있는 기술을 확보합니다.

분석이 필요한 time point 확보를 위해 KSTAR data를 이용해 원하는 CES를 통해 측정한 data를 받아 ion temperature profile 구축하고,
Neural Nework 훈련을 위한 training dataset과 검증을 위한 test dataset 구성합니다.
이렇게 학습한 데이터들로 최적의 pedestal값 예측을 위해 알고리즘 개발 중에 있습니다.