AI 인프라 전략 백서: 입자·핵·천체물리 연구를 위한 JENA·EuCAIF 로드맵

초록

본 백서는 JENA(ECFA·NuPECC·APPEC)와 EuCAIF 커뮤니티의 설문 조사 결과를 바탕으로, AI 기반 데이터 분석·시뮬레이션·신호 탐지에 필요한 인프라, 교육, 자금 지원 전략을 제시한다. 주요 과제로는 HPC·GPU 자원 부족, 전문 인력 부재, R&D‑생산 전환 어려움 등을 꼽으며, 12가지 구체적 권고(R1‑R12)를 통해 향후 5년간 AI 역량을 확장하고 FAIR 원칙을 구현한다.

상세 분석

이 백서는 입자·핵·천체물리 분야에서 AI 활용이 급격히 확대되고 있으나, 실제 연구 생산성에 기여하기 위해서는 구조적인 인프라와 인력 양성이 필수임을 강조한다. 설문(137명, 40문항)에서 74%가 상용 LLM을 사용하고, 71%가 PyTorch, 44%가 TensorFlow를 선호한다는 점은 최신 딥러닝 프레임워크에 대한 높은 친숙도를 보여준다. 그러나 55%가 로컬 PC·데스크톱, 로컬 클러스터, 대형 클러스터를 혼용하고, GPU 메모리 100 GB 이상을 필요로 하는 사용자는 5%에 불과해 대규모 모델 훈련 인프라가 제한적임을 나타낸다.

핵심 과제로는 (1) 전용 GPU·FPGA·TPU 등 특수 하드웨어 접근성 부족, (2) AI‑R&D 결과를 실험 파이프라인에 통합하는 MLOps 체계 부재, (3) 도메인 특화 데이터셋·벤치마크의 부재, (4) 에너지 효율과 FAIR 원칙을 고려한 모델 관리가 꼽힌다. 이에 대한 권고(R1‑R12)는 중앙집중형 대규모 GPU 팩시설 구축 vs. 연합형 하이브리드 HPC 모델 비교, 공유 데이터 레포지토리와 워크플로우 표준화, AI‑R&D → 생산 전환을 위한 전담 MLOps 인력 지원, 과학 특화 LLM·기초 모델 개발, 지속 가능한 벤치마크와 에너지 효율 평가 체계 도입, FAIR‑compliant 출판·데이터 정책 정착, 그리고 학제간 협업 플랫폼 구축을 포함한다.

특히 R5·R6에서 제시된 “Science LLM”과 “Foundation Model” 개발은 물리학 전용 토큰화·프리트레인 전략을 요구한다. 이는 기존 상용 LLM을 그대로 적용할 경우 물리적 제약조건(보존법칙·대칭성 등)을 반영하지 못한다는 점을 보완한다. 또한 R8·R9는 AI 모델의 탄소 발자국을 정량화하고, 저탄소 컴퓨팅 자원을 우선 배정하도록 정책적 인센티브를 제공해야 함을 강조한다.

교육 측면(R10)은 실무 중심의 단기 워크숍·여름학교와 산업 파트너십을 통한 인턴십 프로그램을 제안하며, 이는 현재 70%가 개인 연구자, 26%가 그룹 리더인 현황에서 AI 전문성을 조직적으로 확산시키는 핵심 수단이다. 마지막으로 R12는 EuCAIF와 같은 연합체를 모델로, AI 전략 기획 전담 조직을 설립해 장기 로드맵을 지속적으로 업데이트하고, 국가·유럽 차원의 자금 조달 메커니즘과 연계하도록 권고한다.

전반적으로 이 백서는 기술·인프라·인력·정책 네 가지 축을 통합적으로 다루며, AI가 근본 물리학 연구에 필수적인 인프라로 자리매김하기 위한 구체적 실행 방안을 제시한다.