토카막 (tokamak) 플라즈마에서의 신뢰할 수 있는 위치 및 형상 제어는 강하게 결합된 여러 형상 파라미터 (shape parameters)의 정확한 실시간 조절을 필요로 합니다. 이러한 결합을 분리하는 제어 벡터를 extit{가상 회로} (virtual circuits, VCs)라고 하며, 이는 특정 Grad--Shafranov (GS) 평형 (equilibrium)에 대해 독립적인 형상 파라미터 제어를 가능하게 합니다. 현재 VCs의 수치적 계산은 실시간으로 수행하는 것이 불가능하므로, 일반적으로 원하는 시나리오 궤적을 따라 샘플링된 소수의 참조 GS 평형을 사용하여 각 실험 전에 VCs를 계산하며, 각 VC는 미리 설정된 시간 간격 내에서 플라즈마를 제어하는 데 사용됩니다. 이 방식은 참조 평형 근처에서는 효과적이지만, 플라즈마가 참조 평형 및/또는 원하는 궤적에서 벗어남에 따라 성능 저하를 초래할 수 있으며, 급격히 변화하는 플라즈마 구성에 대한 강건한 제어 전략 설계를 복잡하게 만듭니다. 본 논문에서는 MAST Upgrade (MAST-U) 플라즈마 제어 시스템에 상태 인지형 (state-aware) VCs를 실시간으로 제공하기 위해, VCs를 도출할 수 있는 신경망 (neural-network) 기반의 플라즈마 형상 파라미터 에뮬레이터를 구축합니다. 이를 위해 우리는 MAST-U 운전 공간 (operational space)의 상당 부분을 포괄하는 100만 개 이상의 시뮬레이션된 GS 평형 라이브러리를 개발합니다. 이러한 에뮬레이터는 기울기 (gradient)를 빠르게 계산할 수 있는 미분 가능한 함수를 제공하여, 실시간 형상 제어를 위한 정확한 VCs의 도출을 가능하게 합니다. 우리는 에뮬레이션된 VCs가 제어 문제를 분리하는지 테스트함으로써 광범위한 검증을 수행합니다. 신경망 기반 접근 방식은 다양한 평형 범위에 걸쳐 높은 정확도와 직교성 (orthogonality)을 제공합니다. 본 연구는 사전 계산된 VCs 스케줄에 대한 확장 가능하고 일반적인 대안으로서 에뮬레이션된 VCs의 물리적 타당성을 입증합니다.