DOE의 Genesis Mission, Fermilab을 AI 기반 가속기 제어의 핵심으로 세우다

맥락 및 핵심 사건 분석

2026년 7월 22일, 미국 에너지부(DOE)는 Genesis Mission: Transforming Science and Energy with AI (Genesis 미션: AI를 통한 과학 및 에너지 혁신) 프로젝트의 1단계 수상 대상을 발표했습니다. Fermi National Accelerator Laboratory (Fermilab)는 단순한 주변 수혜자가 아닙니다. Fermilab은 하나의 AI/ML 프로젝트를 주도하며, 충돌기 데이터 (collider data), 중성미자 실험 (neutrino experiments), 고성능 컴퓨팅 (high-performance computing) 워크로드, 그리고 핵융합 자석 디지털 트윈 (fusion-magnet digital twins)에 걸친 8개의 다른 프로젝트에도 기여할 예정입니다. 이번 패키지는 일회성 연구 보조금이라기보다, DOE가 국립 연구소들이 AI를 단순한 부수적인 데모가 아닌 발견을 위한 인프라로 취급하기를 원한다는 신호에 가깝습니다.

Fermilab이 주도하는 노력은 고질적인 운영 문제인 **초전도 무선 주파수 (SRF) 공동의 공진 제어 (resonance control of superconducting radio-frequency (SRF) cavities)**를 목표로 합니다. SRF 공동은 입자 빔에 에너지를 전달하는 고효율 공진기입니다. 이들은 매우 민감하기 때문에, 미세한 진동과 압력 변화가 주파수를 이탈하게 만들어 빔 품질을 저하시키고, RF 증폭기에 부담을 주며, 운영 비용을 상승시킬 수 있습니다. Fermilab의 계획은 국립 연구소, 대학, 산업계(xLight Inc. 포함)의 파트너들과 함께 공동을 더 높은 신뢰성과 낮은 비용으로 고정할 수 있는 AI/ML 제어 알고리즘을 구축하는 것입니다. 연구소 지도부는 이 작업을 Fermilab 자체의 PIP-II 선형 가속기 (linac)를 시작으로 SLAC의 LCLS-SC, Brookhaven의 Electron-Ion Collider, Michigan State의 FRIB, Argonne의 ATLAS와 같은 장비로 확장하여, 더욱 자율적이고 효율적인 시설로 나아가는 경로라고 정의했습니다.

Genesis Mission의 Phase I 선정 결과는 지난 3월의 신청서 요청(Request for Applications)을 바탕으로 이루어졌으며, 의도적으로 기초를 구축하는 데 중점을 두고 있습니다. 즉, AI가 통합된 연구 워크플로우 (research workflows)를 설계 및 시연한 다음, 이것이 실제로 발견을 가속화하는지, 예측을 개선하는지, 또는 실험적 마찰 (experimental friction)을 줄이는지를 평가하는 것입니다. Fermilab의 소장 Norbert Holtkamp는 이번 투자를 입자 물리학 (particle physics)의 최전선에서 차세대 기술을 강화하는 것으로 규정했습니다. CTO Anna Grassellino는 AI 기반의 SRF 제어를 운영 복잡성을 줄이면서 과학적 성능을 높이는 지능형 가속기 시설 (intelligent accelerator facilities)로 나아가는 단계라고 강조했습니다. 요컨대, DOE는 단순한 리더보드 기록 갱신이 아니라, 측정 가능한 공학적 레버리지 (engineering leverage)를 확보하려는 것입니다.

도메인 지식 및 기술적 확장 (Domain Knowledge and Technical Extension)

가속기 과학은 이미 데이터 및 제어 시스템 중심의 분야입니다. 검출기 (Detectors)와 빔라인 (beamlines)은 지속적인 원격 측정 (telemetry) 데이터를 생성합니다. 공동 디튜닝 (cavity detuning), 마이크로포닉스 (microphonics), 로렌츠 힘 디튜닝 (Lorentz-force detuning), 그리고 극저온 교란 (cryogenic disturbances)은 고전적인 피드백 (feedback)만으로는 부분적으로만 제어할 수 있는 다중 시간 척도 제어 문제 (multi-timescale control problem)를 형성합니다. 현대적인 머신러닝 제어—학습된 플랜트 모델 (learned plant models)을 이용한 모델 예측 제어 (model predictive control), 물리 제어기 상단의 잔차 학습 (residual learning), RF 및 진공 채널의 이상 탐지 (anomaly detection)—는 플랜트가 비선형적이고, 계측 장비가 풍부하며, 감각에 의존하여 운영하기에는 비용이 많이 들기 때문에 적합합니다. 승리하는 시스템들은 대개 하이브리드 방식을 취합니다. 즉, 안정성과 안전 범위를 위한 물리 정보 기반 모델 (physics-informed models), 교란 제거 (disturbance rejection) 및 운영자 보조를 위한 학습된 구성 요소 (learned components), 그리고 어떤 정책 네트워크 (policy network)도 무시할 수 없는 하드 인터록 (hard interlocks)을 결합합니다.

Fermilab의 협력 기관 목록 또한 공동실 (cavities) 이외의 영역에서도 동일한 패턴을 보여줍니다. Purdue의 EIC 데이터 스트림 (data-stream) 작업과 Colorado의 CMS Level-1 스카우팅 (scouting) 이상 탐지 (anomaly detection)는 온라인 필터 (online filter) 문제, 즉 저장 공간과 인간의 주의력이 데이터 속도에 의해 붕괴되기 전에 무엇이 충분히 희귀하여 보관할 가치가 있는지 결정하는 문제에 도전합니다. DUNE에 관한 Duke와 Florida State의 프로젝트는 실시간 초신성 경보 (supernova alerts) 및 중성미자 상호작용 (neutrino-interaction) 불확실성 감소를 추진하며, 이는 불완전한 모델 하에서의 전형적인 고위험 추론 (high-stakes inference) 사례입니다. South Carolina의 Mu2e 에이전트 워크플로 (agentic workflows)와 Alabama의 HEP 시뮬레이션/분석 운영을 위한 AI 에이전트들은 다단계 검색 및 분석이 수동 글루 코드 (glue code)를 줄이면서 조율될 수 있는지를 테스트합니다. Wisconsin의 HPC 워크로드 표준화와 Berkeley Lab의 핵융합 자석을 위한 물리 기반 디지털 트윈 (digital twins)은 컴퓨팅 스케줄링부터 시설 설계에 이르기까지의 루프를 완성합니다. 이러한 노력 전반에 걸쳐 기술적 무게 중심은 "더 큰 파운데이션 모델 (foundation models)"이 아니라, 센서 → 모델 → 액추에이터/결정 → 감사 추적 (audit trails)으로 이어지는 **폐쇄 루프 과학 시스템 (closed-loop scientific systems)**에 있습니다.

이러한 차이점은 개발자와 실험실 컴퓨팅 팀에게 매우 중요합니다. 과학적 AI의 성공은 가동 시간 (uptime), 빔 전달 (beam delivery), 희귀 이벤트에 대한 오탐률 (false-positive rates), 분석 체인의 재현성, 그리고 박사후 연구원 (postdoc)이 6개월 후에 특정 결정이 내려진 이유를 여전히 재구성할 수 있는지 여부로 측정됩니다. 토큰 벤치마크 (token benchmarks)나 일반적인 채팅 에이전트 (chat agents)는 부차적인 요소입니다. 지속 가능한 스택은 큐레이션된 데이터 플랫폼 (Fermilab은 이미 Genesis를 위해 스토리지 및 American Science Cloud 연결성을 배치해 왔습니다), DOE 슈퍼컴퓨터 상의 이식 가능한 학습/추론 파이프라인 (training/inference pipelines), 그리고 인력 교체 시에도 유지되는 실험 특화 API의 형태를 띱니다.

트레이드오프 (Trade-off) 및 TCO 분석

객관적으로 볼 때, 가속기를 위한 AI는 비용을 마법처럼 삭제하는 것이 아니라 비용의 성격을 전환합니다. 하드웨어와 전력은 여전히 시설 예산의 대부분을 차지합니다. 새롭게 발생하는 비용 항목은 바로 **모델 소유권 (model ownership)**입니다. 즉, 라벨링된 운영 데이터, 장비 노후화에 따른 지속적인 재학습 (retraining), 빔 물리학 (beam physics)에 기반한 검증, 제어 인접 모델을 위한 사이버 보안, 그리고 머신러닝 (ML)과 RF (고주파)를 모두 이해하는 24시간 상시 대기 전문가가 필요합니다. 거버넌스가 제대로 이루어지지 않은 컨트롤러는 운영자의 시간을 "절약"해 줄 수는 있지만, 회복되는 시간보다 더 많은 빔 시간 (beam time)을 낭비하게 만드는 침묵의 실패 모드 (silent failure modes)를 유발할 수 있습니다.

생태계에 미치는 영향은 양면성을 가집니다. DOE의 공유 플랫폼과 다기관 연구 수혜는 도구의 중복 제작을 줄이고 재사용 가능한 제어 라이브러리의 가능성을 높입니다. 하지만 동시에 결합 위험 (coupling risk)도 생성합니다. 즉, 수출 통제, 조달 주기, 그리고 수십 년에 걸친 시설 수명 주기 동안 유지 관리 가능성을 유지해야 하는 공통 데이터 형식, 공통 클라우드 가정, 그리고 공통 벤더 의존성이 발생합니다. 오픈 연구 코드는 대학의 통합 비용을 낮춰주지만, 실제 운영 제어 경로에는 여전히 보수적인 인증이 필요하며, 이는 공짜 오픈 소스 배당금이 아닌 엔지니어링 노동력을 요구하는 작업입니다. Genesis Phase I의 관점에서 올바른 TCO (총 소유 비용) 질문은 "발표에서 AI가 현대적으로 들렸는가?"가 아니라, "데이터 운영 (data ops), 검증, 그리고 장기 유지 관리 비용을 모두 산정했을 때, 유효한 휘도 (luminosity) 또는 검증된 발견 통찰력당 비용을 절감하는가?"가 되어야 합니다.

코멘트: 이것은 DOE가 갑자기 공상 과학적인 자율 주행에 자금을 지원하는 것이 아닙니다. 이는 AI가 공동기 제어 (cavity control), 희귀 이벤트 필터 (rare-event filters), 그리고 감사 가능한 수준의 저렴한 운영 방식에 통합될 때에만 제 역할을 다할 수 있다는 국가 연구소 차원의 시스템적 베팅입니다. 따라서 진정한 시험대는 정상회담의 조명이 꺼지고 유지보수 계약이 시작된 이후에도, 이 Phase I 워크플로우가 여전히 빔 다운타임 (beam downtime)과 분석 지연 시간 (analysis latency)을 줄여주는가 하는 점입니다. (개인적 견해)