UCSB와 LLNL의 AI 핵융합 시뮬레이션, 비용이 큰 연구 병목 겨냥
UCSB와 Lawrence Livermore National Laboratory는 핵융합 연구에서 가장 비용이 많이 드는 계산 일부를 가속하기 위해 3년간 160만8,000달러를 투입하는 프로젝트를 시작했다. UCSB LLNL AI 핵융합 시뮬레이션 프로젝트는 상세한 플라스마 모델을 훨씬 적은 계산 비용으로 근사하는 머신러닝 대리 모델을 훈련할 예정이다.
이 목표에는 중요한 긴장 관계가 있다. 더 빠른 모델은 연구자들이 더 많은 플라스마 조건을 시험하고 더 많은 핵융합 설계를 비교할 수 있게 한다. 그러나 지름길이 과학적으로 유용해지려면, 연구자들이 그 예측을 어디까지 신뢰할 수 있는지 알아야 한다.
따라서 이 협력은 기존 연구 프로그램에 AI를 접목하려는 또 하나의 시도 이상의 의미를 지닌다. 학습된 모델이 개별적인 시연을 넘어 일상적이고 결과의 영향이 큰 과학 워크플로에 들어갈 수 있는지를 시험한다.
당면한 상대는 다른 연구소나 핵융합 기업이 아니다. 고충실도 플라스마 물리 자체가 만들어내는 계산 병목이다. 기존 코드는 과학자들이 필요로 하는 상세 계산을 제공하지만, 그 비용 때문에 팀이 가능한 조건을 폭넓게 탐색하기 어렵다.
유사한 작업은 이미 핵융합 분야 전반에서 등장하고 있다. 미국 에너지부는 대리 모델, 디지털 트윈, AI 지원 최적화를 더 광범위한 핵융합 연구 로드맵에 포함했다. LLNL 역시 관성가둠 핵융합 타깃 설계에 AI 에이전트를 적용하고 있다.
UCSB 협력은 이 과정의 더 이른 단계에 초점을 맞춘다. 극한 조건에서 물질이 에너지를 흡수하고 복사를 생성하는 방식을 설명하는 계산의 가속을 목표로 한다. 이 계산이 빠르고 신뢰할 수 있게 된다면, 기초 물리를 대체하지 않으면서도 더 큰 규모의 설계 연구를 지원할 수 있다.
UCSB LLNL AI 핵융합 시뮬레이션 프로젝트가 바꾸는 것
이 협력은 AI가 설계한 핵융합로를 약속하기보다 특정 모델링 병목을 겨냥한다.
이 프로젝트의 명칭은 “Machine-learned Non-LTE Kinetics”다. Non-LTE는 비국소 열역학적 평형을 뜻하며, 물질을 하나의 균형 잡힌 온도 분포만으로 설명할 수 없는 상태다.
이러한 조건은 레이저 구동 플라스마와 기타 고에너지밀도 환경에서 나타난다. 전자, 이온, 복사는 플라스마가 빠르게 변하는 동안 에너지를 교환한다. 익숙한 평형 가정은 충분한 설명을 제공하지 못한다.
프로젝트 발표에 따르면, 이 제안은 LLNL의 Academic Collaboration Team에 지원한 29개 후보 가운데 5개 선정 과제 중 하나였다. 3년 동안 매년 53만6,000달러를 지원받는다.
UCSB 전기컴퓨터공학과 조교수인 Haewon Jeong이 대학 측 팀을 이끈다. 그의 연구 그룹은 복잡한 과학 시스템을 위한 머신러닝 방법을 개발한다. LLNL 과학자인 Min Sang Cho는 공동 책임연구자로 참여한다.
Jeong 연구 그룹의 박사과정 학생 Neel Sankaran도 프로젝트에 참여하고 있다. 연구진은 함께 더 느린 수치 시뮬레이션을 학습해 근사하는 대리 모델을 구축하고 있다.
일반적인 플라스마 시뮬레이션은 물리적 상호작용을 설명하는 수학 방정식을 반복적으로 푼다. 모델에 많은 원자 상태, 위치, 시간 단계가 포함되면 이 작업은 상당한 컴퓨팅 시간을 소모할 수 있다.
대리 모델은 다른 경로를 따른다. 연구자들은 먼저 선택된 조건 전반에서 신뢰할 수 있는 시뮬레이션 데이터를 생성한다. 이후 머신러닝 시스템은 해당 데이터세트의 입력과 출력 간 관계를 학습한다.
훈련이 끝나면 대리 모델은 모든 원래 계산을 반복하지 않고도 결과를 추정할 수 있다. 이는 기초 시뮬레이션 코드를 없애는 것이 아니다. 대신 연구자들이 해당 코드를 직접 실행해야 하는 빈도를 줄이려는 시도다.
Jeong은 편미분방정식을 반복적으로 푸는 과정을 우회하고, 더 낮은 계산 비용으로 그 결과를 근사하는 것이 목표라고 설명했다. 편미분방정식은 물리량이 공간과 시간에 따라 어떻게 변하는지를 설명한다.
팀은 신경망 압축, 생성 모델링, 시간 순서 예측을 결합할 계획이다. 신경망 압축은 복잡한 정보를 더 작은 학습형 표현으로 나타낸다. 시간 순서 예측은 시스템이 연속된 상태를 거치며 어떻게 전개되는지 추정한다.
이 방법들은 같은 과제의 서로 다른 부분을 다룬다. 플라스마 계산은 고차원 데이터를 생성하는 반면, 핵융합 연구에는 서로 연관된 많은 조건에 걸친 예측이 필요하다. 이 정보를 압축하고 예측할 수 있다면 광범위한 파라미터 탐색이 실용화될 수 있다.
프로젝트의 중요성은 통합에 달려 있다. Jeong은 궁극적인 시험대가 LLNL의 기존 레이저 플라스마 시뮬레이션 워크플로 내에서 채택되는 것이라고 말했다. 이는 연구 벤치마크에서 좋은 결과를 내는 것보다 더 까다로운 기준이다.
일상적인 과학 활용에는 신뢰할 수 있는 소프트웨어, 재현 가능한 출력, 문서화된 한계, 명확한 검증 절차가 필요하다. 또한 과학자들이 대리 모델이 언제 전체 물리 코드에 판단을 넘겨야 하는지도 이해해야 한다.
이것이 이 글의 핵심 갈등을 만든다. 계산 속도는 내려야 할 결정에 필요한 물리적 정확도를 충분히 보존할 때에만 가치가 있다.
Non-LTE 플라스마 계산이 병목이 되는 이유
핵융합 연구자들에게는 정확한 계산 한 번 이상이 필요하다. 설계 작업은 수천 가지 가능한 조건을 비교하는 데 의존하기 때문이다.
관성가둠 핵융합에서는 강력한 레이저 빔이 핵융합 연료를 담은 작은 타깃에 에너지를 전달한다. LLNL의 National Ignition Facility에서는 레이저 에너지가 X선을 만들어 중수소와 삼중수소 캡슐을 압축한다.
주변 물질은 고에너지 플라스마가 된다. 원자 개체수, 전자 거동, 복사, 물질 특성이 함께 변한다. 과학자들은 에너지가 어디로 이동하고 어디서 손실되는지 이해하기 위해 이러한 상호작용을 모델링해야 한다.
Non-LTE 거동은 플라스마가 단순한 평형 상태에 머물지 않기 때문에 이 작업을 복잡하게 만든다. 서로 다른 원자 과정은 서로 다른 시간 척도에서 진행된다. 복사는 조건이 크게 다른 영역 사이로 에너지를 운반할 수도 있다.
유용한 모델은 방출, 흡수, 이온화를 예측할 수 있을 만큼 충분한 원자 세부 정보를 추적해야 한다. 이러한 계산은 더 광범위한 복사-유체역학 시뮬레이션에 포함될 경우 병목이 될 수 있다.
비용이 큰 평가 한 번은 여전히 감당 가능할 수 있다. 하지만 설계 캠페인은 연구자들이 타깃 형상, 물질 구성, 레이저 타이밍, 불확실한 물리 파라미터를 바꿔야 하므로 더 어렵다.
반복 시뮬레이션은 과학자들이 유망한 설계를 찾고 민감도를 이해하도록 돕는다. 또한 불완전한 입력이 모델의 결론에 어떤 영향을 미치는지 측정하는 불확실성 정량화도 지원한다.
이 필요성은 LLNL이 2022년 12월 5일 핵융합 점화를 달성한 뒤 더 분명해졌다. 해당 실험에서 시설은 2.05메가줄의 레이저 에너지를 전달했고 3.15메가줄의 핵융합 에너지를 생산했다.
이 수치는 타깃에서의 과학적 에너지 이득을 입증했다. 그러나 시설이 캡슐에 도달한 에너지보다 훨씬 많은 총에너지를 소비했기 때문에 상업용 발전소를 입증한 것은 아니었다.
점화 기록은 결과가 얼마나 민감할 수 있는지도 보여주었다. 앞선 네 차례의 실험은 2021년의 가장 강력한 성과를 재현하지 못했는데, 부분적으로는 미세한 타깃 차이가 중요했기 때문이다.
연구진은 결국 레이저 펄스를 조정하고 더 두꺼운 캡슐을 사용했다. 성공적인 실험은 타깃 품질, 진단, 시뮬레이션, 레이저 성능에 걸친 개선에 의존했다.
이러한 이력은 더 빠른 플라스마 모델링이 중요한 이유를 설명한다. 핵융합의 진전은 하나의 이상화된 설계를 평가하는 데서 나오지 않는다. 작은 변화가 긴밀하게 결합된 시스템 전체로 어떻게 전파되는지를 파악하는 데서 나온다.
Non-LTE 동역학을 빠르게 평가하는 대리 모델은 연구자들이 더 넓은 범위의 조건을 탐색할 수 있게 할 수 있다. 또한 불확실성이나 변동성을 정량화하기 위해 연관된 많은 사례를 실행하는 앙상블 시뮬레이션도 지원할 수 있다.
하지만 모델은 복사 수송을 좌우하는 특징을 유지해야 한다. 타깃의 성공 여부를 결정하는 드문 상태를 지워버린다면, 빠른 평균 예측은 별다른 가치가 없을 것이다.
따라서 이 프로젝트는 과학적 방법 내부의 처리량 문제를 겨냥한다. 연구자들은 이미 상세한 물리 코드를 보유하고 있지만, 계산 비용이 그 코드를 사용할 수 있는 빈도를 제한한다.
이 구분은 이 작업을 일반화된 AI 주장과 차별화한다. 팀은 챗봇에게 핵융합 물리를 발명하라고 요구하는 것이 아니다. 기존 과학 계산이 만들어낸 출력으로 특화 모델을 훈련하고 있다.
의도된 결과는 컴퓨팅 시간 단위당 더 많은 과학적 반복이다. 최종 결론마다 여전히 고충실도 검증이 필요하더라도, 이는 가설에서 검증된 설계로 가는 경로를 단축할 수 있다.
진짜 경쟁은 속도와 과학적 신뢰의 대결이다
프로젝트는 플라스마 조건이 익숙한 훈련 사례를 벗어날 때에도 대리 모델이 신뢰성을 유지할 때에만 성공한다.
머신러닝 대리 모델은 보간에 적합하다. 기초 관계가 충분히 규칙적으로 유지되는 한, 훈련 데이터에 포함된 조건 사이의 출력을 추정할 수 있다.
외삽은 더 위험하다. 모델은 훈련 범위에서 크게 벗어난 입력에 대해서도 물리적 기대를 위반하는 답을 자신 있어 보이는 형태로 내놓을 수 있다.
핵융합 연구자들은 일상적으로 특이한 영역에 관심을 둔다. 점화 자체도 작은 변화가 급격히 다른 결과를 낳을 수 있는 임계값 근처에서 발생한다. 이런 전이를 평탄화하는 모델은 설계 연구를 잘못된 방향으로 이끌 수 있다.
희소한 데이터는 또 다른 문제를 만든다. 고충실도 시뮬레이션은 비용이 많이 들기 때문에 팀은 무제한의 훈련 사례를 생성할 수 없다. 새로운 계산은 파라미터 공간의 의미 있는 부분을 포괄하도록 신중하게 선택되어야 한다.
노이즈와 변화하는 조건도 예측을 더 약화시킬 수 있다. Nature Machine Intelligence에 발표된 연구는 데이터가 노이즈를 포함하거나 희소하거나 동적인 경우 대리 모델의 정확도가 저하될 수 있음을 발견했다.
이 연구는 지속적인 검증과 최적화 도구 기반 샘플링을 제안했다. 모델은 새로운 평가 결과와 비교해 점검되며, 성능이 정의된 임계값 아래로 떨어지면 재훈련된다.
UCSB LLNL AI 핵융합 시뮬레이션에도 비슷한 규율이 중요할 것이다. 팀에는 단일 평균 정확도 점수가 아니라 측정 가능한 유효성 경계가 필요하다.
검증은 다양한 플라스마 상태에서 대리 모델의 예측을 제외해 둔 고충실도 시뮬레이션과 비교해야 한다. 또한 흔한 사례뿐 아니라 드물지만 중대한 실패를 강조해야 한다.
물리 제약은 또 다른 안전장치를 제공한다. 보존 법칙과 알려진 대칭성은 모델 설계나 훈련 목표에 통합될 수 있다. 이러한 제약은 AI 시스템이 생성할 수 있는 출력의 공간을 줄인다.
그러나 물리 정보를 반영했다고 해서 자동으로 정확한 것은 아니다. 모델은 선택된 제약을 만족하면서도 다른 상호작용을 놓칠 수 있다. 연구자들은 오류가 후속 의사결정에 영향을 주는지 계속 시험해야 한다.
불확실성 추정도 똑같이 중요하다. 유용한 대리 모델은 신뢰도가 약화된 시점을 알려 워크플로가 원래의 시뮬레이션을 호출할 수 있게 해야 한다.
이러한 구성은 실용적인 역할 분담을 만든다. 학습된 모델은 익숙한 조건을 빠르게 처리한다. 물리 코드가 불확실하거나 위험도가 높은 사례를 처리하고 새로운 학습 예시를 생성한다.
능동 학습은 이 두 계층을 연결할 수 있다. 시스템은 정보가 추가되면 예측이 개선될 입력을 식별한 뒤, 목표가 분명한 고정밀 시뮬레이션을 요청한다.
이러한 피드백 루프는 대리 모델을 영구적인 대체 수단으로 취급하는 방식보다 더 신뢰할 만하다. 또한 초기 데이터가 완전하다고 가정하는 대신, 계산 비용 절감 효과를 더 나은 데이터셋 범위 확보로 전환한다.
가장 큰 위험은 조용한 실패다. 시뮬레이션이 충돌하면 한계를 드러낸다. 반면 대리 모델은 그럴듯한 수치를 내놓을 수 있으며, 그 값은 주목을 받지 못한 채 더 큰 계산에 들어갈 수 있다.
따라서 속도에는 추적 가능성이 수반돼야 한다. 과학자들은 모든 결과의 근거가 된 모델 버전, 학습 데이터, 가정, 불확실성, 검증 상태를 보여주는 기록이 필요하다.
이 요건은 조직 차원의 영향을 낳는다. 핵융합 물리학자, 머신러닝 연구자, 컴퓨팅 전문가는 무엇을 허용 가능한 오류로 볼지 합의해야 한다.
정확도 기준은 사용 사례에 따라 달라진다. 초기 매개변수 선별은 실험을 뒷받침하는 최종 예측보다 더 큰 근사를 허용할 수 있다.
협업의 가장 강력한 진척 척도는 단독으로 눈에 띄는 속도 향상이 아닐 것이다. 비싼 물리 계산을 가장 많은 정보를 더하는 곳에 배분하는 검증된 워크플로가 될 것이다.
AI는 핵융합 설계 스택 전반으로 이동하고 있다
UCSB의 대리 모델 노력은 고립된 시뮬레이션에서 AI 지원 과학 워크플로로 전환하는 더 큰 흐름의 일부다.
LLNL은 이미 관성 가둠 핵융합 연구의 다른 영역에서 AI를 시험하고 있다. MADA로 알려진 Multi-Agent Design Assistant는 언어 모델을 인간 설계자가 사용하는 시뮬레이션 도구와 연결한다.
MADA 프로그램은 자연어 지시와 손으로 그린 캡슐 도식으로부터 시뮬레이션 입력을 생성했다. LLNL은 이후 이 시스템이 수천 가지 설계 변형을 실행했다고 밝혔다.
이 작업은 설계 워크플로의 오케스트레이션에 초점을 맞춘다. UCSB 프로젝트는 이러한 워크플로 내부의 까다로운 물리 구성 요소를 가속하는 데 집중한다. 두 노력은 관련돼 있지만 서로 다른 병목을 겨냥한다.
이 구분은 중요하다. 이제 “핵융합을 위한 AI”는 여러 기술 경로를 의미하기 때문이다. 일부 시스템은 플라즈마 불안정성을 예측한다. 다른 시스템은 실험을 제어하고, 하드웨어를 최적화하며, 시뮬레이션을 근사하거나 연구자가 소프트웨어를 구성하도록 돕는다.
자기 가둠 프로그램도 머신러닝을 사용하지만, 그 장치와 운전 조건은 NIF와 다르다. 토카막은 레이저로 작은 캡슐을 압축하는 대신 자기장으로 지속적인 플라즈마를 가둔다.
General Atomics와 LLNL은 이전에 핵융합 실증 발전소의 전력 및 입자 배출 계산에 머신러닝을 적용했다. 다른 연구소들은 AI 지원 평형 재구성, 소재 발견, 실험 제어를 탐색하고 있다.
이 프로젝트들은 하나의 공동 모델이나 통합된 단일 접근법을 뜻하지 않는다. 대신 핵융합 개발 과정 전반에서 계산상의 한계가 나타난다는 점을 보여준다.
에너지부의 핵융합 로드맵은 실험, 디지털 트윈, 저차원 모델, 시스템 수준 최적화를 연결하는 데이터-의사결정 파이프라인을 설명한다.
이 방향은 순차적이고 수동으로 구성된 시뮬레이션 캠페인에만 의존하는 팀의 부담을 키운다. 더 빠른 경쟁자는 더 많은 후보 설계를 검토하고 더 자주 갱신할 수 있다.
그러나 처리량 증대가 더 나은 과학을 보장하지는 않는다. 저품질 사례를 수천 건 실행하면 같은 모델링 약점을 반복하면서도 충분한 범위를 확보한 듯한 착각을 만들 수 있다.
핵심 이점은 서로 다른 충실도 수준의 모델을 연결하는 데서 나온다. 빠른 근사는 폭넓게 탐색하고, 상세 시뮬레이션과 실험은 선택적으로 검증한다.
이러한 계층 구조는 공학에서 익숙하다. 연구자들은 오래전부터 저차원 모델, 반응 표면, 단순화된 방정식을 사용해 왔다. 머신러닝은 이러한 근사가 표현할 수 있는 관계의 범위를 확장한다.
새로운 과제는 대규모 거버넌스다. 학습된 구성 요소가 공동 워크플로에 들어오면, 팀은 모델 문서화, 검증 근거, 생성된 결과의 출처를 보존해야 한다.
이 작업은 연구자의 협업 방식에도 영향을 미칠 것이다. 플라즈마 물리학자는 학습된 모델의 불확실성을 검토해야 할 수 있다. 머신러닝 엔지니어는 어떤 원자 상태가 물리적 타당성을 결정하는지 이해해야 할 수 있다.
이러한 전문 분야가 겹칠 때 명확한 연구 기록은 필수적이다. 팀에는 가정, 코드 버전, 실험 메모, 검증 결정에 대한 검색 가능한 접근성이 필요하다.
엔지니어링 지식 베이스는 이러한 문서화 계층을 지원할 수 있다. 모델을 검증할 수는 없지만, 근거를 그 근거에 의존하는 결정과 연결해 둘 수 있다.
따라서 더 광범위한 경쟁 변화는 방법론적이다. 핵융합 팀은 AI를 언제 사용할지, 언제 시뮬레이션할지, 언제 실험할지를 동적으로 결정하는 워크플로로 이동하고 있다.
UCSB는 머신러닝과 신뢰할 수 있는 과학 모델에 관한 전문성을 제공한다. LLNL은 플라즈마 지식, 확립된 시뮬레이션 코드, 대규모 컴퓨팅 시스템, 실험 맥락을 제공한다.
이러한 조합은 프로젝트가 실제 현장에 적용될 수 있는 그럴듯한 경로를 제공한다. 동시에 결과 도구가 머신러닝 벤치마크뿐 아니라 현업 과학자까지 만족시켜야 하므로 성공 기준도 높아진다.
연구자들이 모델을 신뢰하기 전에 필요한 일
세 가지 신호는 이 협업이 유망한 실험에 머무르지 않고 과학 인프라로 자리 잡는지 보여줄 것이다.
첫 번째 신호는 의미 있는 범위의 비-LTE 플라즈마 조건 전반에 걸친 공개 검증 결과다. 독자는 복사, 원자 점유수, 에너지 수송 같은 물리량과 연결된 오차 측정을 찾아야 한다.
유용한 평가는 보간과 외삽을 구분해야 한다. 또한 대리 모델이 예측을 거부하거나 완전한 시뮬레이션을 요청하는 조건도 식별해야 한다.
이러한 결과가 명확한 임계값과 함께 제시된다면 프로젝트의 신뢰성 주장은 더 강해진다. 실패 경계를 정의하지 않은 채 속도만 강조한다면 핵심 우려는 해소되지 않는다.
두 번째 신호는 LLNL의 운영 워크플로와의 통합이다. Jeong은 기존 레이저-플라즈마 코드 내부에서의 일상적 사용을 팀의 궁극적인 성공 척도로 제시했다.
통합은 모델이 실제 입력, 소프트웨어 제약, 재현성 요건을 처리할 수 있음을 보여줄 것이다. 또한 통제된 연구 시연에서는 드러나지 않는 운영 문제도 노출할 것이다.
과학자들은 모델 업데이트 이후에도 예측을 재현할 수 있어야 한다. 또한 어떤 학습 데이터셋과 검증 기록이 해당 출력을 뒷받침했는지도 알아야 한다.
운영 환경에서의 도입은 AI 대리 모델링이 신뢰할 수 있는 과학 컴퓨팅 계층이 될 수 있다는 근거를 강화할 것이다. 독립형 프로토타입은 더 약한 증거만 제공할 것이다.
세 번째 신호는 더 빠른 운동론 계산이 더 폭넓거나 더 나은 설계 연구로 이어지는지다. 프로젝트는 궁극적으로 연구자들이 계산 비용 때문에 이전에는 제한됐던 조건을 탐색했음을 보여줘야 한다.
이 이점은 더 큰 불확실성 연구, 더 조밀한 매개변수 스캔, 또는 경쟁하는 타깃 개념 간의 더 빠른 비교로 나타날 수 있다. 모델 호출 횟수만으로는 가치를 입증할 수 없다.
대신 연구자들은 대리 모델이 과학적 결정을 바꿨는지 물어야 한다. 간과된 영역을 식별했는가, 개연성이 낮은 설계를 제거했는가, 또는 값비싼 시뮬레이션을 더 많은 정보를 주는 사례로 이끌었는가?
이 마지막 시험은 계산 성능을 과학적 진보와 연결한다. 모델은 기술적으로 정확하고 빨라도, 연구자들이 실험과 컴퓨팅 자원을 배분하는 방식을 개선하지 못한다면 무의미할 수 있다.
이 협업은 타깃 수준의 이득과 상업적 전력 생산을 혼동하지 않아야 한다. LLNL의 점화 결과는 여전히 중요한 과학적 성취이지만, 발전소에는 효율적인 레이저, 반복 생산 가능한 타깃, 열 시스템, 연속 운전이 필요하다.
더 빠른 비-LTE 계산은 훨씬 더 큰 프로그램 안의 한 가지 제약을 해결한다. 이것이 공학적 경제성, 연료 주기 문제, 발전소 신뢰성을 해결하는 것은 아니다.
이처럼 제한된 범위는 약점이 아니다. 집중된 인프라는 자율적 발견에 관한 광범위한 주장보다 더 지속적인 가치를 만들어내는 경우가 많다.
프로젝트의 3년 지원 기간은 팀이 모델 개발, 검증, 워크플로 테스트를 거칠 시간을 제공한다. 공개 마일스톤은 팀이 이 경로를 얼마나 멀리 진행하는지 보여줄 것이다.
개발자에게 주는 교훈은 모델 아키텍처와 실패 처리에 관한 것이다. 전문화된 AI 구성 요소에는 불확실성이 커질 때 신뢰할 수 있는 솔버로 이관하는 경로가 필요하다.
연구 리더에게 주는 교훈은 평가에 관한 것이다. 비용 절감은 중요하지만, 팀이 먼저 각 결정에서 어떤 오류가 허용되는지 정의한 뒤에야 의미가 있다.
과학 AI를 지켜보는 지식 노동자에게 이 파트너십은 관찰할 만한 구체적 사례를 제공한다. 학습된 근사를 확립된 물리학 옆에 놓고, 연구자들에게 그 경계를 문서화하도록 요구한다.
그 경계가 프로젝트의 영향을 결정할 것이다. UCSB LLNL AI 핵융합 시뮬레이션이 빠르고, 감사 가능하며, 불확실성에 대해 선택적으로 작동한다면 핵융합 연구자가 탐색할 수 있는 공간을 확장할 수 있다.
모델이 익숙한 조건 밖에서 계속 검증하기 어렵다면, 기존 시뮬레이션은 중요한 결정에서 계속 우위를 차지할 것이다. 따라서 가장 중요한 질문은 AI가 얼마나 더 빠르게 실행되는지가 아니다.
LLNL 과학자들이 다음에 무엇을 시뮬레이션할지 바꿀 만큼 그 결과를 신뢰하는지다.
