멀티모달 확산으로 보는 ICF 시뮬레이션‑실험 통합 프레임워크

초록

JointDiff는 입자와 이미지 등 이질적인 데이터를 동시에 다루는 공동 확산 모델이다. 44만 개 이상의 3차원 로켓 피스톤 시뮬레이션을 학습해 입력‑출력 전방 예측, 역추정, 누락된 출력 보완을 하나의 네트워크로 수행한다. 실험 데이터가 부분적으로만 제공되는 NIF 상황에서도 사전 학습만으로 높은 정확도와 불확실성 추정을 제공하며, 진단 간 상관관계를 정량화한다.

상세 분석

본 논문은 관측이 제한된 ICF 실험과 풍부한 시뮬레이션 사이의 격차를 메우기 위해 ‘JointDiff’라는 공동 확산 기반 생성 모델을 제안한다. 핵심 아이디어는 스칼라 파라미터와 3차원 이미지(프라이머·다운스캐터 뉴트론 채널)를 동일한 확산 과정에 삽입해, 노이즈를 단계적으로 제거하면서 양쪽 모달리티를 동시에 복원하도록 학습하는 것이다. 이를 위해 저자들은 다중 모달 U‑Net 구조를 설계했으며, 각 모달리티별 인코더·디코더와 함께 마스크 정보를 전파시켜 ‘조건부’ 학습을 가능하게 했다. 마스크는 입력·출력 스칼라와 이미지 채널을 임의로 가려서, 모델이 (1) 완전한 입력으로부터 출력 전체를 예측하는 전방 서러게이트, (2) 완전한 출력으로부터 입력 파라미터를 역추정하는 역모델, (3) 일부 출력만 주어졌을 때 누락된 스칼라·이미지를 보완하는 임퓨테이션을 모두 수행하도록 만든다.

학습 데이터는 443,000개의 로켓 피스톤(RP) 시뮬레이션으로, 28개의 입력 스칼라, 12개의 출력 스칼라, 3개의 시점별 이미지(각 2채널)로 구성된다. 실험 결과는 다음과 같다. 전방 예측에서는 R²가 0.9350.999에 달했으며, 92.8%의 실제값이 예측 분포의 2σ 범위 내에 포함되었다. 이미지 생성에서도 수치적 평균 절대 오차(MAE)가 낮고, 특히 고수율 영역에서 세밀한 강도 프로파일을 재현했다. 역추정에서는 입력 스칼라에 대해 R²가 0.9670.999, 93.7%가 2σ 내에 포함되는 등 높은 정확도를 보였다. 임퓨테이션 실험에서는 누락된 스칼라·이미지를 복원할 때 전방 모델보다 약간 향상된 성능을 기록했으며, 이는 출력 간 강한 상관관계를 활용했기 때문이다.

민감도 분석에서는 특정 이미지 뷰를 제거했을 때 대칭 모드(l=2,m=±1)의 예측 오차가 급격히 증가함을 확인했다. 다운스캐터 이미지가 제거되면 어디베트와 P2 스윙 예측이 크게 악화되는 등, 각 진단이 물리량 추정에 미치는 기여도를 정량화했다. 이러한 결과는 실험 설계 단계에서 어떤 진단을 추가·보강해야 하는지에 대한 전략적 인사이트를 제공한다.

마지막으로, 학습된 JointDiff를 NIF 실험 데이터에 그대로 적용했을 때, 부분적인 스칼라와 이미지만으로도 실험 관측값을 높은 정확도로 재구성했으며, 일부 스칼라(예: Bang‑time)의 시스템적 편차는 RP 물리 모델 자체의 한계임을 드러냈다. 전체적으로 JointDiff는 물리 기반 시뮬레이션과 실험 사이의 다중모달 조건부 확률분포를 효율적으로 추정함으로써, ICF 설계·진단 최적화에 새로운 도구를 제공한다.