AI와 함께 핵융합을 마스터하여 무한한 청정 에너지를 열다

화석 연료가 빠르게 고갈되고 기후 변화가 악화됨에 따라, 우리는 중요한 청정 에너지에 대한 필요에 직면하고 있습니다. 

재생 에너지 원은 유망한 대안을 제공하지만, 그들만의 고유한 도전 과제가 다음과 같은 측면에서 에너지 저장 제한, 전력망 통합 복잡성, 높은 초기 비용, 그리고 태양광 및 풍력과 같은 일부 원천의 간헐성 등이 그것입니다. 또한, 토지 사용, 정책 장벽, 그리고 견고한 인프라의 필요성도 큰 장애물로 작용합니다. 

이것 이곳이 바로 핵 에너지가 판도를 바꿀 수 있는 지점입니다. 핵 에너지는 원자핵, 즉 양전하를 띤 원자 중심부(양성자와 중성자로 구성)에서 방출되는 에너지 형태입니다. 

국제 에너지 기구(IEA)에 따르면, 전 세계 전력 생산 중 핵 발전이 차지하는 비중은 약 10%입니다. 

하지만 배출 없는 전력을 생산할 수 있는 능력에도 불구하고, 높은 초기 비용, 긴 리드 타임, 그리고 정시 납품 실적 부진이 핵 에너지 도입을 제한하고 있다고 IEA는 지적합니다. 그러나 전 세계적인 새로운 추진력은 중국, 유럽, 인도, 일본, 한국에서 상업 운전을 시작하는 원자로를 통해 핵 에너지의 새로운 시대를 열 가능성을 가지고 있습니다. 

이제, 이 에너지를 생산하는 두 가지 방법이 있습니다:

• 핵융합
• 핵분열

핵분열은 무거운 원자핵을 더 작은 핵으로 분할하는 과정이며, 핵융합은 가벼운 원자핵을 결합시켜 더 무거운 핵을 만드는 과정입니다. 두 경우 모두 막대한 에너지를 방출합니다.

현재 대규모 전력 생산에 사용되는 것은 핵분열뿐이지만, 오늘 우리는 핵융합에 초점을 맞추고 있습니다.

여전히 연구·개발 단계에 있는 핵융합은 전 세계 에너지 생산에 거의 기여하지 않지만, 미래에 대한 거대한 잠재력을 가지고 있습니다. 실제로 이 과정에서 이산화탄소나 기타 유해 배출물이 없기 때문에 가장 환경 친화적인 에너지 원 중 하나입니다.

핵융합 발전소에서 생산되는 무탄소 전기는 날씨나 낮·밤에 관계없이 지속적으로 공급될 수 있습니다. 핵분열과 달리, 핵융합은 잠재적으로 재앙적인 멜트다운이나 장기간 방사성 핵폐기물을 생성하지도 않습니다.

핵융합은 온실가스(GHG) 배출에 기여하지 않을 뿐만 아니라, 주요 연료인 수소(중수소용)와 리튬(삼중수소용)도 널리 이용 가능합니다.

이러한 배경 속에서, 핵융합은 인류의 에너지 수요를 수백만 년 동안 충족할 것으로 기대되며, 전 세계 여러 국가가 이를 현실화하기 위해 적극적으로 노력하고 있습니다. 

핵 에너지 비전과 현실 사이의 장애물

1915년에 미국 화학자 윌리엄 드레이퍼 하킨스가 처음으로 핵융합 개념을 제시했습니다. 하지만 우리는 아직 의미 있게 이를 달성하지 못했습니다. 

핵융합 반응은 실제로 별, 특히 뜨거운 가스 구체인 태양의 근본적인 에너지 원입니다. 열핵융합이라고 불리는 이 과정이 수백만 년 동안 태양과 별들을 빛나게 해 왔습니다.

열핵융합에서는 원자핵이 섭씨 1천만에서 1억도에 이르는 극도로 높은 온도에서 결합하여 두 핵 사이의 전기적 반발력을 극복할 만큼의 에너지를 제공합니다. 그 후 이들은 하나의 핵으로 합쳐져 상당한 에너지를 방출합니다.

태양의 거대한 중력은 여기서 핵심적인 역할을 하며, 극심한 압력과 열, 그리고 핵융합이 일어날 수 있는 조건을 만들어냅니다. 중력이 없었다면 태양은 충분히 뜨겁고 밀도가 높지 않아 핵융합이 일어나지 못했을 것입니다. 

지구에서 핵융합을 만들기 위해서는 중력의 압축 수준 없이 가벼운 동위원소를 반응기에 넣고 수백만 도 섭씨까지 가열해 이온화된 ‘플라즈마’로 전환해야 합니다.

플라즈마는 양이온과 자유 전자로 이루어진 전하를 띤 가스로, 매우 뜨겁고 제어가 어려워 탈출을 방지하기 위해 자기장이 필요합니다.

과학자들은 핵융합 조건을 꾸준히 달성해 왔지만, 플라즈마 안정성과 향상된 구속 특성은 아직 반응을 유지하고 지속적으로 에너지를 생산하기 위해 달성되지 않았습니다.

예를 들어, 2022년 말에 수십억 달러 규모의 핵융합 실험이 마침내 작은 동위원소 샘플이 점화에 사용된 레이저 에너지보다 더 많은 에너지를 방출하도록 했지만, 지속 시간은 약 0.1 나노초에 불과했습니다.

따라서 핵융합은 매우 도전적인 과정으로, 높은 온도와 강렬한 압력이라는 극한 조건을 필요로 합니다.

또한 플라즈마를 안정화하고 반응기 벽에 닿지 않게 하며 열 손실을 최소화해야 하므로 반응을 지속하기가 어렵습니다. 엔지니어링 측면에서는 토카막(도넛 형태의 일반적인 핵융합 반응기) 안에서 플라즈마를 구속하기 위해 크고 강력한 초전도 자석이 필요하고, 극히 낮은 압력을 달성하고 유지하기 위해 고급 진공 시스템이 필요합니다.

또한 높은 온도, 높은 열 플럭스, 그리고 강렬한 중성자 방사를 견딜 수 있는 재료가 필요합니다. 이러한 도전을 해결하기 위해 과학자들은 인공지능(AI)에 주목하고 있습니다. 

AI는 점점 더 중요한 역할을 수행하며 핵융합 연구·개발을 가속화하고 있습니다. 머신러닝 및 기타 AI 알고리즘을 활용해 연구자들은 반응기 설계를 최적화하고, 근본적인 측정 오류를 찾아 수정하며, 재료 발견을 가속화하고, 플라즈마 붕괴를 예측·방지하며, 플라즈마 상태를 제어하고, 핵융합 반응의 효율성과 안정성을 향상시키고 있습니다.

방대한 복잡 데이터와 핵융합 과정의 다양한 측면 간의 복잡한 관계를 다루면서, AI는 우리의 이해를 더욱 향상시키고 새로운 반응기 설계 개발을 가속화하며 개발 일정을 크게 단축시켜 핵 에너지 상용화의 길을 열어줄 수 있습니다.

AI가 핵융합 물리 장벽을 극복하도록 돕다

AI는 에너지 부문을 포함한 산업을 빠르게 변화시키고 있으며, 탄소 없는 무한한 핵 에너지를 달성함으로써 전 세계 에너지 위기를 해결하는 데 기여하고 있습니다. 

이에 대해 Google DeepMind는 딥 강화 학습(RL) 을 활용해 토카막 내 플라즈마를 성공적으로 제어하고 다양한 형태로 정밀하게 조형했습니다.¹ 토카막에서 플라즈마를 제어하고 정확히 다양한 형태로 조형했습니다. RL 시스템을 개발하기 위해 EPFL의 스위스 플라즈마 센터와 협업했습니다. 이 시스템은 토카막을 둘러싼 자기 코일을 제어하고 플라즈마를 가두는 방법을 자율적으로 발견합니다.

지난 해, 이 회사는 TORAX²라는 플라즈마 시뮬레이터를 출시했으며, 이는 플라즈마의 ‘핵심’을 모델링하고 온도, 밀도, 전류 변화 등을 예측합니다. 

작년 초, 프린스턴 대학 팀도 RL을 사용해 핵융합 플라즈마에서 발생하기 300밀리초 전까지 주요 교란 형태를 예측했습니다. ‘테어링 모드 불안정성’이라고 알려진 이 현상은 플라즈마 내부의 자기장 선이 끊어져 플라즈마가 탈출하고 핵융합 과정이 중단될 때 발생합니다. 

이러한 불안정성은 충분한 에너지를 생산하기 위해 높은 전력을 요구하는 핵융합 반응을 수행하려 할수록 ‘더 두드러질 것으로 예상된다’고 한국 충암대학교 물리학 조교수이자 첫 저자인 서재민이 말했습니다. ‘이는 우리가 해결해야 할 중요한 과제입니다.’

그들의 AI 모델은 잠재적인 테어링 모드 불안정성을 사전에 예측³하고, 플라즈마 자기장 선 내에서 테어링을 방지하기 위해 특정 운전 매개변수를 조정합니다.

과거 실험 데이터를 기반으로 훈련된 이 모델은 고출력 반응을 유지하는 목표와 테어링 모드 불안정성 같은 회피 조건을 부여받으며, 이를 달성하기 위해 조정 가능한 파라미터를 가집니다. 시간이 지나면서 AI 모델은 불안정을 피하면서 고출력 목표를 지속하는 ‘최적 경로’를 학습합니다.

“과거 실험으로부터 학습함으로써, 물리 기반 모델의 정보를 통합하는 대신, AI는 실제 반응기에서 실시간으로 안정적이고 고출력 플라즈마 상태를 지원하는 최종 제어 정책을 개발할 수 있었습니다.”

– 연구 책임자 Egemen Kolemen

모델이 수많은 시뮬레이션 핵융합 실험을 실행해 경로를 찾는 동안, 팀은 배경에서 AI의 ‘의도’를 관찰하고 행동을 정제하며, ‘AI가 하고자 하는 것과 토카막이 수용할 수 있는 것 사이’의 중재자 역할을 수행했습니다.

엔지니어, 물리학자, 데이터 과학자들로 구성된 팀은 캘리포니아 샌디에고에 있는 DIII-D 국가 핵융합 시설에서 모델을 테스트하고 시연했습니다.

그런 다음, 올해 초에 Nathan Howard(MIT 플라즈마 과학 및 핵융합 센터(PSFC) 수석 연구 과학자)가 저술한 “ITER 연소 플라즈마에서 성능 및 난류 예측: 비선형 자이로키네틱 프로파일 예측”⁴ 논문이 발표되었습니다.

Howard와 그의 팀은 머신러닝과 시뮬레이션을 활용해 플라즈마가 핵융합 장치에서 어떻게 행동할지를 예측했습니다. 

“논문에서 그들은 난류에 대한 고해상도 시뮬레이션이 프랑스 남부에서 현재 건설 중인 세계 최대 실험 핵융합 장치인 ITER 토카막이 가동을 시작하면 예상대로 작동할 것임을 확인한다고 설명했습니다. 이는 최소 2035년까지는 시작되지 않을 것입니다.

시나리오를 검증하기 위해 팀은 CGYRO를 사용했으며, 이는 특정 운전 조건에 복잡한 플라즈마 물리 모델을 적용해 핵융합 장치 내 다양한 위치에서 플라즈마 행동에 대한 상세 시뮬레이션을 생성하는 시간 소모적인 프로그램입니다.

그 후 시뮬레이션은 PORTALS 프레임워크를 통해 실행되었으며, 이는 고정밀 실행을 기반으로 머신러닝을 사용해 ‘대리 모델’을 구축합니다. 이 모델은 ‘보다 복잡한 실행 결과를 모방하지만 훨씬 빠르게’ 수행할 수 있습니다.

연구자들은 PORTALS와 같은 고정밀 모델링 도구가 ‘플라즈마 핵이 형성되기 전까지도 그 모습을 엿볼 수 있게 해준다’고 언급했습니다. 이 예측 우선 접근법은 ITER와 같은 장치에서 보다 효율적인 플라즈마를 만들 수 있게 해줍니다.

팀은 또한 동일한 에너지 출력을 생산하면서도 투입 에너지를 줄일 수 있는 다양한 운전 설정을 시연했습니다.

Swipe to scroll →

HEAT-ML을 이용한 핵융합 그림자 매핑 

새로운 AI 접근법이 이제 핵융합 반응기의 내부를 플라즈마의 극한 열로부터 보호하기 위해 사용되고 있습니다. 이 새로운 방법은 핵융합 용기 내 ‘자기 그림자’를 찾는 데 필요한 계산 속도를 가속화하고 있습니다.

이러한 그림자는 강렬한 플라즈마 열로부터 보호되는 안전 지대입니다.

토카막 내부의 열 도전 과제

앞서 설명했듯이, 플라즈마가 자기장을 이용해 토카막에 구속될 때 플라즈마에서 발생하는 열은 태양 중심부보다도 더 높은 온도에 이릅니다. 핵융합을 활용하려면 이 열을 제어해야 합니다.

“토카막의 플라즈마와 접촉하는 부품은 매우 뜨거운 플라즈마와 접촉하게 되며, 이는 이 부품들을 녹이거나 손상시킬 수 있습니다. 가장 최악의 상황은 운영을 중단해야 하는 경우입니다.”

따라서 이 문제를 해결하기 위해 연구자들은 토카막 내 열이 어디에 닿을지를 예측하는 계산을 가속화할 수 있는 AI를 활용하고 있습니다.

HEAT 계산을 크게 가속화함으로써, 이 모델은 디버터 보호 및 제어 작업에 실시간 적용 가능성을 열어줍니다.

핵융합 혁신을 이끄는 협업

PPL, 미국 에너지부(DOE) 오크리지 국립 연구소, 그리고 MIT에서 분리된 기업으로 ARC 토카막 설계를 기반으로 소형 핵융합 발전소를 구축하려는 Commonwealth Fusion Systems(CFS) 간의 공공·민간 파트너십이 HEAT-ML이라는 새로운 AI 접근법을 탄생시켰습니다.

머신러닝 기반 대리 모델(HEAT-ML)은 최신 연구 \”HEAT 코드와 머신러닝 방법을 이용한 SPARC 토카막 플라즈마-접촉 부품에서의 그림자 마스크 예측\”⁵에 상세히 기술되었습니다.

HEAT-ML은 미래 핵융합 시스템 설계를 가속화하는 소프트웨어 기반을 마련하고, 플라즈마를 조정해 문제 발생을 사전에 방지함으로써 올바른 의사결정을 가능하게 하는 것을 목표로 합니다.

“이 연구는 기존 코드를 활용해 AI 대리 모델을 만들면 유용한 답을 얻는 속도를 높일 수 있으며, 제어 및 시나리오 계획 측면에서 흥미로운 길을 열어준다는 것을 보여줍니다.”

– 논문의 공동 저자이자 PPPL 디지털 엔지니어링 책임자인 Michael Churchill.

재료 보호를 위한 자기 그림자 매핑

HEAT-ML은 특별히 SPARC의 작은 부분을 시뮬레이션하기 위해 제작되었습니다.

SPARC은 CFS가 MIT PSFC와 협력해 현재 개발 중인 토카막으로, 내년 가동을 시작할 예정이며 2027년까지 소비보다 더 많은 에너지를 생산해 순에너지 이득을 입증하는 것을 목표로 합니다.

이를 달성하기 위해 연구자들은 이 토카막 내부에 열이 어떻게 영향을 미치는지를 시뮬레이션하고 있습니다.

큰 컴퓨팅 과제인 만큼, 연구자들은 플라즈마 열 배출이 재료 벽과 맞닿는 SPARC 구역에 집중함으로써 이를 관리 가능한 수준으로 만들었습니다. 이는 기계 기반 주변 15개의 타일이며, 배기 시스템이 가장 많은 열에 노출될 부분입니다.

이 시뮬레이션을 만들기 위해 팀은 자기 그림자의 3D 지도인 그림자 마스크를 생성했습니다. 이러한 지도는 핵융합 시스템 내부 부품 표면에서 직접 열로부터 보호되는 특정 영역을 나타냅니다. 그 위치는 토카막 내부 부품의 형태와 플라즈마를 구속하는 자기장 선과의 상호 작용에 따라 달라집니다.

시뮬레이션을 분에서 밀리초로 가속화

그림자 마스크는 원래 오픈소스 컴퓨터 프로그램인 HEAT를 사용해 계산되었으며, 이는 열 플럭스 엔지니어링 분석 툴킷입니다.

CFS의 Tom Looby가 SPARC 진단 팀 리더인 Matt Reinke와 협업해 만든 이 프로그램은 처음에 PPPL의 구형 토카막인 National Spherical Torus Experiment-Upgrade(NSTX-U) 배기 시스템에 적용되었으며, 이는 세계에서 가장 강력하도록 설계되었습니다.

연구자들은 이제 머신러닝을 활용해 HEAT를 보완하고, 열 부하를 빠르고 정밀하게 계산할 수 있는 3D 대리 모델을 개발했습니다.

결과적인 HEAT-ML은 부품 표면에서 자기장 선을 따라가 다른 내부 부품과 교차하는지를 확인합니다. 교차하면 해당 지점은 그림자 영역, 즉 자기 그림자로 표시됩니다.

하지만 이러한 선을 추적하고 상세한 3D 기계 형상과 교차 지점을 감지하는 전체 과정은 하나의 시뮬레이션에 약 30분이 소요되는 큰 병목 현상이었습니다. 복잡한 형상이 포함되면 더 오래 걸릴 수 있습니다.

HEAT-ML은 팀이 이 제한을 극복하도록 하여 계산을 몇 밀리초 수준으로 가속화했습니다.

핵융합 발전소의 실시간 제어를 향해

HEAT-ML 모델은 다중 은닉층을 가진 딥 뉴럴 네트워크, 즉 패턴을 인식해 특정 작업을 학습하는 AI 형태를 사용합니다. 이 경우 HEAT-ML은 HEAT에서 약 1,000개의 SPARC 시뮬레이션을 기반으로 그림자 영역을 식별하도록 훈련되었습니다.

SPARC 배기 시스템의 특정 설계와 연결되어 있기 때문에, HEAT-ML은 이 특정 토카막의 해당 부분에만 적용됩니다.

따라서 현재 HEAT 코드에서는 선택적 설정으로 제공됩니다. 그러나 팀은 모델의 기능을 확대해 크기와 형태에 관계없이 모든 배기 시스템 및 토카막 내부의 다른 플라즈마 접촉 부품에 대한 그림자 마스크 계산을 일반화하기를 기대하고 있습니다.

연구에 따르면, 전력 배출은 차세대 핵융합 장치에 있어 중요한 과제이며, 디버터 설계와 운용에 혁신적인 해결책이 필요합니다. 연구는 다음과 같이 언급했습니다:

“궁극적인 목표는 모델을 실시간 제어와 향후 운영 결정에 통합하는 것입니다.” 

핵 에너지에 투자하기

테크 거인 Microsoft Corporation (MSFT )은 핵 에너지를 적극적으로 탐구하고 있으며, AI를 통한 가속을 믿고 탄소‑무료 에너지 믹스의 일부분이 되어야 한다고 생각합니다. 

Microsoft의 최고 지속 가능성 책임자인 Melanie Nakagawa는 핵융합을 장기적인 베팅이라고 부르며, 최근 몇 년간 업계가 다양한 이정표를 달성해 “이번 혹은 다음 10년 안에 핵융합이 실제로 실현될 순간이 될 것이라는 큰 낙관론을 만들었다”고 말했습니다.

Microsoft Corporation (MSFT )

핵융합 목표를 위해 Microsoft는 2023년에 민간 핵융합 스타트업 Helion Energy와 획기적인 계약을 체결했습니다. 계약에 따라 Helion은 2028년까지 Microsoft 데이터 센터에 핵융합으로 생성된 전력을 공급할 예정입니다.

SoftBank 벤처 캐피털 부문과 OpenAI의 Sam Altman이 지원한 Helion은 올해 Orion이라는 계획된 핵융합 발전소 건설을 시작했지만, 최종 허가는 아직 확보되지 않았습니다. 

Helion의 프로토타입 Polaris는 현재 반응을 생성하고 유지하는 데 필요한 에너지보다 더 많은 에너지를 생산하는 방법을 찾고 있습니다. 한편, Orion은 CEO에 따르면 전력 공급망에 연결될 예정입니다.

Microsoft의 시장 실적에 대해 말하자면, 시가총액 3.86조 달러 기업의 주가는 약 521달러에 거래되고 있으며, 연초 대비 23.41% 상승했습니다. EPS(TTM)는 13.64, P/E(TTM)는 38.25이며, 배당 수익률은 0.64%입니다.

2025년 6월 30일에 종료된 분기의 재무 실적에 따르면, 매출은 18% 증가한 764억 달러, 영업이익은 23% 상승한 343억 달러, 순이익은 24% 증가한 272억 달러를 기록했습니다. 희석 주당 순이익은 3.65달러로 24% 상승했습니다.

“클라우드와 AI는 모든 산업 및 분야에서 비즈니스 변혁을 이끄는 원동력입니다.”

– CEO Satya Nadella

최신 Microsoft Corporation (MSFT) 주식 뉴스 및 개발

결론

청정 에너지로 가장 유망한 경로 중 하나는 핵융합이지만, 상용화까지의 길은 길고 험난합니다. 그러나 AI는 이 수세기 동안의 꿈을 우리 생애 안에 현실로 만들 수 있는 촉매제로 입증되고 있습니다.

AI 기반 접근법을 활용함으로써 연구자들은 핵융합 시스템을 견고하고 경제적으로 실현 가능하도록 만들고 있습니다. 연구 가속화와 플라즈마 불안정성 해결부터 반응기 시스템 보호에 이르기까지, AI는 핵 에너지를 전력망에 도입하고 인류가 무한한 전력을 이용할 수 있게 돕습니다.

클릭하여 네 번째 세대 핵 에너지가 어떻게 될지 알아보세요.

참고문헌:

1. Degrave, J., Felici, F., Buchli, J., et al. Deep Reinforcement Learning을 통한 토카막 플라즈마의 자기 제어. Nature, 602(7897), 414–419, 2022년 2월 16일 발표. https://doi.org/10.1038/s41586-021-04301-9
2. Citrin, J., Goodfellow, I., Raju, A., Chen, J., Degrave, J., Donner, C., Felici, F., Hamel, P., Huber, A., Nikulin, D., Pfau, D., Tracey, B., Riedmiller, M., & Kohli, P. TORAX: JAX에서 구현된 빠르고 미분 가능한 토카막 전송 시뮬레이터. arXiv preprint arXiv:2406.06718, 2024년 6월 10일 발표, 2024년 12월 7일 최종 수정. https://doi.org/10.48550/arXiv.2406.06718
3. Seo, J., Kim, S., Jalalvand, A., et al. 딥 강화 학습을 이용한 핵융합 플라즈마 테어링 불안정성 방지. Nature, 626(8001), 746–751, 2024년 2월 21일 발표. https://doi.org/10.1038/s41586-024-07024-9
4. Howard, N. T., Rodriguez-Fernandez, P., Holland, C., & Candy, J. 비선형 자이로키네틱 프로파일 예측을 통한 ITER 연소 플라즈마의 성능 및 난류 예측. Nuclear Fusion, 65(1), 016002, 2024년 11월 11일 발표. https://doi.org/10.1088/1741-4326/ad8804
5. Corona, D., Scotto d’Abusco, M., Churchill, M., Munaretto, S., Kleiner, A., Wingen, A., & Looby, T. HEAT 코드와 머신러닝 방법을 이용한 SPARC 토카막 플라즈마 접촉 부품의 그림자 마스크 예측. Fusion Engineering and Design, 217, 115010, 2025년 8월 발표. https://doi.org/10.1016/j.fusengdes.2025.115010