신경망 기반 빔 위치 위상 길이 실시간 예측 시스템

초록

본 논문은 BPM 파형을 입력으로 하여 다중 파라미터(횡방향 위치, 위상, 길이)를 동시에 예측하는 하이브리드 신경망 모델을 제안한다. MLP, 1‑D CNN, LSTM‑Attention 세 가지 서브넷을 결합한 구조로, SSRF와 HLS‑II 실험 데이터를 통해 평균 0.042 ms 이하의 지연과 높은 정확도를 입증하였다.

상세 분석

이 연구는 차세대 회절 제한 저장고( DLSR )에서 요구되는 초고속, 초정밀 빔 진단 요구를 충족시키기 위해 기존의 순차적, 배치‑모드 진단 체계의 한계를 근본적으로 돌파한다. 핵심은 네 개 전극 BPM 파형과 Tshift 보정값을 그대로 활용하는 ‘엔드‑투‑엔드’ 입력 파이프라인이며, 물리적 전처리 단계가 최소화돼 실시간 처리에 유리하다. 모델은 세 개의 전용 서브넷으로 구성된다. 첫 번째인 MLP는 횡방향 위치 예측에 특화돼, 전극 전압의 차·합 비율을 직접 학습함으로써 기존 교차‑상관 기반 HOTCAP 알고리즘의 캘리브레이션 의존성을 제거한다. 두 번째인 1‑D CNN은 다중 스케일 팽창 컨볼루션을 이용해 파형의 국소 및 중간 주파수 특징을 추출하고, 이를 통해 전자기 파동에 내재된 길이 정보를 효율적으로 포착한다. 세 번째인 Bi‑LSTM‑Attention 모듈은 위상 예측에 장기 의존성을 모델링하면서, 어텐션 가중치를 통해 시간‑축 상의 중요한 샘플을 강조한다. 특히 Tshift 보정값을 어텐션 입력에 결합함으로써 RF‑샘플링 비정수 비율에 기인한 누적 위상 오차를 실시간으로 보정한다.

데이터셋 구성은 두 시설의 서로 다른 운영 모드(SSR​F의 9‑bunch 정적, HLS‑II의 35‑bunch 동적)와 샘플링 주파수(16 GHz) 차이를 고려해, 각 시설별 파형 길이(32점, 78점)와 Tshift를 포함한 4 × N + 1 형태로 표준화하였다. 학습‑검증‑테스트 비율은 95 % : 5 %이며, 20턴 간격 샘플링을 통해 전 회전 주기의 다양성을 보장한다.

성능 평가는 RMSE, MAE, R² 등 다중 지표로 수행했으며, 횡방향 위치는 2 µm 이하, 위상은 0.02 rad 이하, 길이는 0.5 ps 이하의 오차를 기록했다. 추론 지연은 GPU( RTX 3090 기준)에서 평균 0.042 ms로, 기존 HOTCAP(수초 수준) 대비 4‑5 자리 개선을 달성했다. 또한, 모델은 HLS‑II의 불안정한 데이터에서도 강인한 일반화 능력을 보였으며, 전이 학습을 통해 새로운 저장고에 최소 재학습만으로 적용 가능함을 시연했다.

이와 같은 설계는 (1) 물리‑기반 캘리브레이션 의존도 감소, (2) 다중 파라미터 동시 예측을 통한 오류 전파 억제, (3) 실시간 피드백 루프에 직접 삽입 가능한 초저지연 구현이라는 세 축에서 차별성을 가진다. 향후 연구에서는 모델 압축(프루닝, 양자화)과 FPGA/ASIC 구현을 통해 마이크로초 수준의 하드웨어 실시간 제어에 적용하는 방안을 모색하고 있다.