본 논문은 고온 초전도 (HTS) 자석의 전압 분포를 예측하기 위한 그래프 신경망 (GNN) 기반의 대리 모델 (surrogate model)인 SuperCond-GNN을 제시합니다. HTS 자석은 집중 정수 등가 회로 (lumped-element equivalent circuits)로 모델링되어 그래프 표현으로 매핑되며, 이를 통해 메시지 패싱 (message passing) GNN이 회로 토폴로지 (topology), 재료 특성 및 동작 전류의 함수로서 전기적 응답을 학습할 수 있도록 합니다. 개념 증명 (proof of concept)으로서, 다양한 회로 토폴로지와 동작 조건에 걸쳐 최대 10개의 테이프 스택 (tape stacks)을 고려하였습니다. 이 대리 모델은 회로 시뮬레이션에서 생성된 데이터로 학습되었으며, 규정된 설계 공간 내에서 4.3%의 평균 MAPE (Mean Absolute Percentage Error)를 달성했습니다. 예측된 노드 전압 (nodal voltages)을 통해 광범위한 회로 구성에 걸쳐 전류 재분배 및 국부적 동작 조건에 대한 빠르고 확장 가능한 추론 (inference)이 가능합니다. 또한 키르히호프의 전류 법칙 (Kirchhoff's current law)을 통한 물리 정보 기반 정규화 (physics-informed regularization)를 통합하는 효과를 평가하였으며, 제로샷 추론 (zero-shot inference) 및 퓨샷 미세 조정 (few-shot fine-tuning)을 통해 보지 못한 토폴로지에 대한 일반화 성능을 평가했습니다. 테이프 스택 회로에서 입증되었으나, 이 그래프 기반 프레임워크는 토폴로지에 구애받지 않으며(topology-agnostic) 더 복잡한 HTS 케이블 및 자석 구성으로 자연스럽게 확장될 수 있습니다. 이는 설계 공간 탐색 (design space exploration), 전류 공유 분석 (current sharing analysis), 실시간 자석 모니터링과 같은 다운스트림 애플리케이션을 위한 기존 회로 솔버 (circuit solvers)의 확장 가능한 대안을 제공합니다.