[논문 리뷰] Applications of Deep Learning to Nuclear Fusion Research

Diogo R. Ferreira|arXiv (Cornell University)|2018. 11. 01.

Anomaly Detection Techniques and Applications참고 문헌 30인용 수 9

한 줄 요약

이 논문은 핵 fusion 반응로에서 실시간 2차원 플라즈마 프로파일 재구성과 조기 붕괴 예측을 위해 합성곱 신경망(CNNs)과 순환 신경망(RNNs)을 사용하는 것을 제안한다. NVIDIA GPU를 사용해 JET 토카막 데이터로 훈련된 모델은 붕괴에 대해 평균 929ms의 경고 시간을 기록하며 85.5%의 분류 정확도를 달성하여 현재 시스템보다 뚜렷이 앞서며, 딥러닝이 fusion 연구를 가속화하고 실시간 제어를 가능하게 할 잠재력을 보여준다.

ABSTRACT

Nuclear fusion is the process that powers the sun, and it is one of the best hopes to achieve a virtually unlimited energy source for the future of humanity. However, reproducing sustainable nuclear fusion reactions here on Earth is a tremendous scientific and technical challenge. Special devices -- called tokamaks -- have been built around the world, with JET (Joint European Torus, in the UK) being the largest tokamak currently in operation. Such devices confine matter and heat it up to extremely high temperatures, creating a plasma where fusion reactions begin to occur. JET has over one hundred diagnostic systems to monitor what happens inside the plasma, and each 30-second experiment (or pulse) generates about 50 GB of data. In this work, we show how convolutional neural networks (CNNs) can be used to reconstruct the 2D plasma profile inside the device based on data coming from those diagnostics. We also discuss how recurrent neural networks (RNNs) can be used to predict plasma disruptions, which are one of the major problems affecting tokamaks today. Training of such networks is done on NVIDIA GPUs.

연구 동기 및 목표

• 플라즈마 진단에서 기존의 톰그래픽 재구성 방식이 최대 1시간이 소요되는 계산적 병목 현상을 해결한다.
• 토카막에서 운영 안전성과 제어를 지원하기 위해 실시간 플라즈마 프로파일 재구성과 붕괴 예측을 가능하게 한다.
• 느린 반복 최적화 방법을 고정밀도 JET 진단 데이터로 훈련된 딥러닝 모델로 대체한다.
• 기존 시스템인 APODIS(평균 350ms의 경고 시간 제공)에 비해 붕괴 예측 정확도와 경고 시간을 향상시킨다.
• 현대 GPU 하드웨어를 사용해 GPU 가속을 통한 실시간 융합 데이터 분석을 위한 딥러닝 모델의 구현 가능성을 입증한다.

제안 방법

• 선형 통합 볼로미터 측정값에서 플라즈마 복사 프로파일을 재구성하기 위해 2D U-Net 기반의 합성곱 신경망(CNN)을 훈련시켰다.
• JET의 수평 및 수직 볼로미터 카메라를 사용하여, 카메라당 128개의 시선을 제공함으로써 CNN의 입력 데이터를 생성했다.
• 공간 해상도를 유지하고 재구성 정밀도를 향상시키기 위해 스킵 연결을 갖춘 U-Net 아키텍처를 적용했다.
• JET 진단의 시계열 데이터를 기반으로 RNN(LSTM 기반)을 훈련시어 플라즈마 붕괴를 최대 몇 초 전에 예측했다.
• 경고 발생 조건으로 붕괴 확률(prd ≥ 0.85)과 붕괴까지의 시간(ttd ≤ 1.5 s)이라는 두 가지 임계값을 정의했다.
• 거짓 경고와 놓친 경고의 균형을 맞추기 위해 경고 임계값을 최적화하였으며, 추론은 NVIDIA Tesla T4 GPU에서 수행했다.

실험 결과

연구 질문

• RQ1 딥러닝이 플라즈마 진단에서 기존 반복적 톰그래픽 재구성 방법을 대체하여 계산 시간을 수 시간에서 수밀리초 수준으로 단축시킬 수 있는가?
• RQ2 RNN은 어떤 정도의 충분한 경고 시간을 확보하여 토카막에서 플라즈마 붕괴를 예측할 수 있는가?
• RQ3 기존 시스템인 APODIS에 비해 딥러닝 기반 붕괴 예측 성능은 정확도와 경고 시간 측면에서 어떻게 비교되는가?
• RQ4 예측 임계값을 조정할 때 거짓 경고율과 놓친 붕괴 예측 간의 상충 관계는 어떠한가?
• RQ5 최신 GPU 하드웨어를 사용해 실시간으로 융합 반응로 제어를 위한 엔드 투 엔드 딥러닝 모델을 구현할 수 있는가?

주요 결과

• CNN 기반 플라즈마 재구성 모델은 재구성 시간을 최대 1시간에서 1초 이내로 단축시켜 실시간 또는 거의 실시간 플라즈마 모니터링을 가능하게 했다.
• RNN 기반 붕괴 예측기 모델은 검증 데이터에서 85.5%의 분류 정확도를 달성했으며, prd ≥ 0.95 및 ttd ≤ 0.5 s 조건을 사용할 경우 평균 929ms의 경고 시간을 기록했다.
• prd ≥ 0.85 및 ttd ≤ 1.5 s 조건을 사용할 경우, 놓친 경고는 4.4%로 감소하고 거짓 경고는 10.1%로 줄어들어 강력한 예측 능력을 입증했다.
• 현재 APODIS 시스템(350ms)보다 평균 경고 시간이 길며, 더 높은 임계값을 사용할 경우 최대 1.3초 전까지 조기 경고가 가능했다.
• 거짓 경고율과 놓친 붕괴 예측 간의 상충 관계를 기존 방법과 유사하거나 그 이상의 수준에서 균형을 이룩했으며, 운영 수요에 따라 조정 가능성이 있었다.
• 결과적으로 딥러닝이 GPU 가속 추론을 통해 융합 데이터의 후처리 및 실시간 분석 모두에 효과적으로 구현될 수 있음을 입증했다.