물리 기반 AI를 활용해 핵 열유속 오차를 63%에서 5.5%로 줄인 17세 소년

뉴저지주 몬트베일 출신의 17세 고등학생이 인공지능을 활용해 원자로의 임계 열유속(CHF) 예측 오차 범위를 63%에서 5.5%로 대폭 줄였습니다. 이 성과로 그는 5만 달러의 상금을 받았으며, 차세대 원자력 발전소의 안전 마진을 강화할 수 있을 것으로 기대됩니다.

임계 열유속이 중요한 이유

임계 열유속(CHF)은 원자로 연료봉의 비등(boiling)이 불안정해지는 지점을 의미하며, 이는 노심을 손상시킬 수 있는 급격한 온도 상승의 위험을 초래합니다. 엔지니어들은 최대한 많은 에너지를 추출하면서도 원자로를 안전하게 운영하기 위해 CHF를 정확하게 예측해야 합니다. 기존 방식은 불확실성이 큰 경험적 상관관계에 의존해 왔습니다. 63%의 오차 범위는 운영자로 하여금 잠재적인 전력을 낭비하며 보수적으로 운영하거나, 안전 한계에 너무 가깝게 몰아붙이게 만듭니다.

물리 기반 신경망

이 학생은 일반적인 AI 모델에 원시 데이터를 입력하는 대신, 물리 정보 기반 머신러닝(physics-informed machine-learning) 시스템을 구축했습니다. 이 네트워크는 실험적 측정값을 통해 학습하지만, 모든 단계에서 열역학 및 유체 역학의 지배 방정식에 의해 제약을 받습니다. 모델이 이러한 법칙을 따르도록 강제함으로써, 많은 AI 도구를 고위험 공학 분야에 부적합하게 만드는 '블랙박스'의 함정을 피할 수 있습니다. 그 결과, 예측 오차는 5.5%로 떨어졌으며, 이는 안전을 타협하지 않으면서도 원자로를 최적의 성능에 가깝게 가동할 수 있는 정밀도입니다.

원자력 산업에 미치는 영향

• 더 안전한 운영 – 정밀한 CHF 예측은 심각한 사고의 주요 전조인 비등 유발 과열 위험을 줄입니다.
• 더 높은 효율성 – 운영자는 안전 한계에 도달하기 전 더 많은 열을 추출할 수 있어 발전소의 이용률을 높일 수 있습니다.
• SMR 도입 가속화 – 유연성과 낮은 초기 비용으로 찬사를 받는 소형 모듈형 원자로(SMR)는 고급 열 관리에 의존합니다. 신뢰할 수 있는 AI 모델은 주요 규제 장벽 중 하나를 해소할 수 있습니다.

이러한 이점은 저탄소 에너지원을 확대하려는 전 세계적인 움직임과 맞닿아 있습니다. 각국 정부가 신규 원전 건설에 수십억 달러를 할당함에 따라, 안전과 효율성을 모두 약속하는 도구는 업계의 관심을 끌 가능성이 높습니다.

회의론과 실질적인 장애물

극적인 오차 감소에도 불구하고, 상업용 원자로에서 이 모델을 신뢰하기 위해서는 엄격한 검증 과정을 거쳐야 합니다. 원자력 규제 기관은 일반적으로 안전에 직결된 소프트웨어에 대해 수십 년간 입증된 성능을 요구하며, 물리 인지 AI 역시 학습 데이터의 품질에 의존합니다. 비판론자들은 테스트에서 아무리 정확하더라도, 극한 조건에서 근본적인 물리학적 특성이 변할 경우 모델에 과도하게 의존하는 것이 예기치 못한 고장 모드를 가릴 수 있다고 경고합니다.

인도에 주는 의미

인도의 원자력 프로그램은 SMR을 포함한 다단계 전략에 따라 확장되고 있습니다. 물리 인지 AI 도구를 통합하면 인도 원자력 에너지부(Department of Atomic Energy)가 안전 분석을 강화하고 발전소의 경제성을 개선하는 데 도움이 될 수 있습니다. 또한 이번 성공은 'AI for Good'이라는 더 넓은 흐름을 강조하며, 인도의 연구 기관들이 딥테크 공학과 첨단 머신러닝을 결합하도록 독려합니다. 마지막으로, 이번 성과는 디아스포라 인재의 잠재력과 전통적인 공학과 데이터 과학을 잇는 커리큘럼의 필요성을 보여줍니다.

향후 주목할 점

• 파일럿 연구 – 초기 도입자들은 실제 성능 데이터를 수집하기 위해 테스트 원자로에서 기존 안전 코드와 함께 이 모델을 실행할 수 있습니다.
• 규제 대응 – 원자력 감독 기관은 AI 강화 예측을 인허가 과정에 어떻게 통합할지에 대한 지침을 발표할 것입니다.
• 상업적 관심 – 원자로 제어 시스템 공급업체들은 이 기술을 라이선스하거나 경쟁력 있는 물리 정보 기반 모델을 개발할 수 있습니다.

이 모델이 이러한 테스트를 통과한다면, 원자로 설계 패키지의 표준 구성 요소가 되어 향후 업계가 안전과 출력 사이의 균형을 맞추는 방식에 영향을 미칠 수 있습니다.

핵심 요약: 한 십 대의 물리 기반 AI는 머신러닝이 단순한 데이터 기반 패턴 매칭을 넘어 신뢰할 수 있는 공학 도구로 진화할 수 있음을 보여주었습니다. 이는 업계가 실험실의 성공과 규제 승인 사이의 간극을 메울 수 있다면, 더 안전하고 효율적인 원자력 발전을 향한 구체적인 경로를 제시합니다.