핵공학의 미래를 여는 Fortran 기반 AI: TensorFlow 훈련 심층 및 베이지안 신경망의 놀라운 속도 향상

핵공학 분야의 Fortran 기반 AI 구현 프레임워크 개발 성공. DNN 및 BNN 모두 Fortran으로 구현, TensorFlow 대비 속도 향상 및 실제 핵 문제 적용 성공. CTF 열유체 코드 통합을 통한 실용성 증명.

지난 10년간 핵공학 분야에서 머신러닝(ML) 연구가 괄목할 만큼 발전했습니다. 하지만 많은 접근 방식이 성숙기에 이르렀음에도 불구하고, 실제 환경에서의 ML 모델 구현 가능성과 유용성을 확인하는 단계는 아직 미흡했습니다. 핵반응로 설계 및 평가에 사용되는 여러 코드는 주로 Fortran 언어로 작성되어 TensorFlow로 훈련된 ML 모델과의 호환성이 낮았기 때문입니다.

이러한 문제를 해결하고자 Aidan Furlong, Xingang Zhao, Bob Salko, Xu Wu 연구팀은 획기적인 연구 결과를 발표했습니다. TensorFlow 훈련 심층 신경망(DNN)과 베이지안 신경망(BNN)을 Fortran으로 구현하는 프레임워크를 개발하여 TensorFlow의 C API, Python 런타임 또는 ONNX 변환 없이도 기본적으로 실행할 수 있도록 한 것입니다.

이 프레임워크는 사용 편의성과 계산 효율성을 위해 설계되었으며, 반복적 솔버와 앙상블 또는 BNN을 통한 UQ(Uncertainty Quantification)를 지원하여 어떤 Fortran 코드에도 구현될 수 있습니다. 연구팀은 잡음이 있는 사인파로 구성된 2입력 1출력 테스트 사례를 사용하여 Fortran 기반 예측을 TensorFlow 기반 예측과 비교하는 검증을 수행했습니다.

그 결과, DNN 예측은 무시할 만한 차이를 보였으며 19.6배의 속도 향상을 달성했습니다. BNN 예측은 약간의 불일치가 있었지만, 이는 난수 생성 방식의 차이 때문일 가능성이 높습니다. BNN 추론의 경우에도 8.0배의 속도 향상이 관찰되었습니다.

더 나아가, 연구팀은 핵 관련 문제인 임계 열유속(CHF) 예측에 이 방법을 적용하여 유사한 결과와 상당한 계산 속도 향상을 확인했습니다. 또한, CTF 열유체 코드에 프레임워크를 성공적으로 통합한 결과와 실용적인 유용성에 대한 논의도 포함되어 있습니다.

결론적으로, 이 프레임워크는 Fortran 내에서 DNN과 BNN 모델 추론을 효과적으로 구현하여 실제 핵 응용 분야에서 ML 기반 방법에 대한 지속적인 연구를 가능하게 합니다. 이 연구는 핵공학 분야의 AI 활용에 새로운 지평을 열고, 보다 안전하고 효율적인 원자력 기술 개발에 크게 기여할 것으로 기대됩니다.