Insights
AI가 자동으로 큐레이션·번역·정리하는 기술 동향 피드입니다.
핵융합 장치 디버터의 온도장을 실시간으로 재구성하기 위해 Physics-aware Neural Operator Transformer(PNOT)를 제안합니다. 그래프 어텐션과 물리 인지 신경 연산자를 통해 물리적 일관성을 유지하며 기존 수치 해석법보다 빠른 예측 성능을 보여줍니다.
AI 자동 생성 콘텐츠
본 콘텐츠는 arXiv cs.AI의 원문을 AI가 자동으로 요약·번역·분석한 것입니다. 원 저작권은 원저작자에게 있으며, 정확한 내용은 반드시 원문을 확인해 주세요.
원문 바로가기디버터(divertor) 온도장의 정확한 모델링은 재료의 용융 및 손상을 방지하고 핵융합 장치의 수명을 연장하는 데 필수적입니다. 그러나 유한요소법 (Finite Element Method, FEM)과 같은 기존의 수치 해석 방법은 계산 비용이 많이 들어 실시간 응용 분야에는 부적합합니다. 따라서 디버터 온도장의 실시간 재구성 및 후속 실시간 제어를 위한 빠르고 일반화 가능한 방법이 필요합니다. 위 문제를 해결하기 위해, 우리는 디버터 온도장의 시공간적 진화를 특성화하기 위한 Physics-aware Neural Operator Transformer (PNOT)를 제안합니다. 이 모델은 경계 열유속 (boundary heat-flux) 관계를 구조화된 그래프로 모델링하며, 그래프 어텐션 (graph attention)을 사용하여 공간적 물리 의존성을 명시적으로 포착합니다. 물리 인지 어텐션 (physics-aware attention)에서 영감을 받아, 우리는 슬라이싱 (slicing)을 통해 유사한 물리적 조건을 가진 쿼리 지점들을 집계하고 열 확산 (heat diffusion)을 모델링하는 물리 인지 신경 연산자 (physics-aware neural operator) 모듈을 추가로 개발하였으며, 그래디언트 제약 소볼레프 정규화 손실 (gradient-constrained Sobolev regularization loss)을 통해 함수 값과 그 도함수 사이의 일관성을 강제합니다. 실험 결과, 이러한 물리적 제약 조건들이 물리적 일관성을 유지하면서 예측 정확도를 향상시킨다는 것을 보여줍니다. 본 논문의 소스 코드는 https://github.com/Event-AHU/OpenFusion 에 공개될 예정입니다.