한 과학자 연구팀이 이산화탄소와 같은 온실가스를 다공성 암석 층에 유례없이 빠르고 정확하게 가두는 새로운 인공지능(AI) 기반 툴을 만들었습니다.
탄소 격리라고도 부르는 탄소 포집 기술은 발전소에서 배출되는 이산화탄소를 지하로 다시 보내는 기후변화 완화를 위한 방법입니다. 이 작업을 하면서 과학자들은 암석에 이산화탄소를 주입함으로써 일어나는 과도한 압력 증가를 피해야 하는데요. 압력 증가는 지질학적 형성을 파괴하고 탄소를 현장 위 대수층이나 심지어 대기 중으로 유출시킬 수 있죠.
U-FNO라는 새로운 신경 연산기 아키텍처는 탄소 저장 기간 동안의 압력 수준을 순식간에 시뮬레이션을 하는 것은 물론 특정 작업의 정확도를 두배로 높여 주입에 대한 최적의 속도와 위치를 찾는 데 도움을 줍니다. 이 아키텍처는 스탠포드 대학(Stanford University), 칼텍(California Institute of Technology), 퍼듀 대학(Purdue University), NVIDIA의 공동저자들이 ‘수자원 진보(Advances in Water Resources)’에 게재한 연구논문에서 최근 공개됐습니다.
탄소 포집과 저장은 정제, 시멘트, 철강과 같은 산업이 탈탄소화 및 배출 감소 목표를 달성하기 위해 사용할 수 있는 몇 안 되는 방법 중 하나이죠. 전세계적으로 100개 이상의 탄소 포집과 저장 시설이 건설 중에 있습니다.
U-FNO는 이 연구에 자금을 지원한 엑슨모빌(ExxonMobil)이 탄소 저장 예측을 가속화하는 데 사용될 예정입니다.
엑슨모빌의 지하 탄소 저장 관리자인 제임스 V. 와이트(James V. White)는 “저장 시뮬레이터는 엔지니어들과 과학자들이 지구의 지하 지질학에서 다상 흐름과 다른 복잡한 물리적 현상을 연구하는 데 사용하는 집중적인 컴퓨터 모델입니다. 본 연구에서 사용된 것과 같은 머신 러닝 기술은 탄소 포집과 격리와 같은 대규모적인 지하 흐름 모델에서 불확실성을 정량화하는 강력한 방법을 제공할뿐 아니라 궁극적으로 의사 결정을 용이하게 합니다”라고 밝혔습니다.
탄소 저장 과학자의 머신 러닝 사용법
과학자들은 탄소 저장 시뮬레이션을 통해 적절한 주입 위치와 속도를 선정하고, 압력 증가를 제어하며, 저장 효율성을 극대화하고, 주입 활동이 암석 형성을 파괴하지 않게 합니다. 또한 저장 프로젝트를 성공적으로 수행하려면 지층을 통과하는 이산화탄소의 확산을 뜻하는 이산화탄소 플룸 현상을 이해하는 일도 중요하죠.
과거의 탄소 격리 시뮬레이터는 시간 소요가 크고 계산 비용이 많이 드는데요. 머신 러닝 모델은 필요한 시간과 비용을 크게 줄이면서도 기존 모델과 유사한 정확도를 제공합니다.
U-Net 신경망과 FNO로 알려진 푸리에(Fourier) 신경 연산 아키텍처를 기반으로 한 U-FNO는 가스 포화도와 압력 증가에 대해 보다 정확하게 예측합니다. 최첨단 합성곱 신경망(convolutional neural network)을 사용하는 경우와 비교하면, U-FNO는 데이터 훈련을 3분의 1로 줄이면서도 정확도가 두배 더 높습니다.
NVIDIA 머신 러닝 연구부장 겸 칼텍 대학의 컴퓨팅 및 수학과학부 교수이자 연구의 공동저자인 애니마 아난드쿠마(Anima Anandkumar)는 “과학적 모델링을 위한 우리의 머신 러닝 방법은 일반적으로 고정된 해상도의 이미지로 작업하는 표준 신경망과는 근본적으로 차이가 있습니다. 과학적 모델링에서는 표본 추출 방법과 장소에 따라 해상도가 달라지죠. 우리의 모델은 재교육을 할 필요 없이 다양한 해상도에 걸쳐 일반화하기가 쉬워 엄청난 속도를 낼 수 있습니다”라고 말했습니다.
훈련된 U-FNO 모델은 탄소 저장 프로젝트의 실시간 예측을 위해 웹 애플리케이션에서 사용 가능합니다.
마이크로소프트의 산업 연구 담당 관리자이자 노르웨이의 전면 탄소 포집 및 저장 프로젝트인 노던 라이츠(Northen Lights) 이니셔티브의 공동 연구자, 란비어 찬드라(Ranveer Chandra)는 ” FNO와 같은 기술로 일구어진 최근의 AI 기술 혁신은 탄소 포집과 저장 기술의 확장을 돕는 중요한 단계를 밟아 서서히 계산 속도를 높일 수 있습니다. 모델 병렬 FNO는 수많은 NVIDIA Tensor Core GPU의 분산 메모리를 사용해 3D 문제 크기를 현실감 있게 확장할 수 있습니다”라고 전했습니다.
새로운 신경 연산기로 CO2 저장 예측 가속화
U-FNO를 통해 과학자들은 이산화탄소 주입 이후 30년 동안의 압력 수준이 어떻게 축적되고 이산화탄소가 어디로 확산되는지 보여주는 시뮬레이션을 할 수 있는데요. U- 기존의 방법이라면 10분 걸리는 작업이 FNO가 탑재된 GPU 가속을 사용하면 단일 NVIDIA A100 Tensor Core GPU를 통해 이런 30년에 대한 시뮬레이션을 단 100분의 1초 만에 실행합니다.
GPU 가속 머신 러닝을 통해 이제 연구자들은 수많은 주입 위치에 대한 시뮬레이션을 빠르게 할 수 있습니다. 이 툴이 없이 주입 위치를 고르는 일은 엄청나게 어려운 일이죠.
U-FNO 모델은 주입되는 이산화탄소의 양이 과다하게 배출될 위험이 가장 높은 주입 프로세스 동안 플룸 마이그레이션 및 압력을 모델링하는 것에 중점을 둡니다. 이 모델은 스탠포드 대학의 셜록(Sherlock) 컴퓨팅 클러스터에서 NVIDIA A100 GPU를 사용해 개발됐습니다.
세계 최초의 AI 디지털 트윈 슈퍼컴퓨터가 될 NVIDIA의 Earth-2의 기후변화 완화 프로젝트 기술의 선도자인 파라 하리리(Farah Hariri)는 “탄소중립(net zero)을 달성하기 위해서는 탄소 포집, 저장과 같은 부정적인 배출 기술은 물론 저배출 에너지원이 필요하게 될 것입니다. 탄소 저장에 푸리에 신경 연산기를 적용함으로써, 우리는 AI가 기후변화 완화의 속도를 빠르게 하는 방법을 보여줬습니다. Earth-2는 이런 기술을 활용하게 됩니다”라고 밝혔습니다.
NVIDIA 기술 블로그에서 U-FNO에 대해 자세히 알아보세요.
기후과학의 도전에 대처하고 지구 기후변화 완화 노력에 기여하기 위해 Earth-2는 FNO와 유사한 모델을 사용할 계획입니다. NVIDIA 설립자 겸 CEO인 젠슨 황(Jensen Huang)이 공개했던 아래 GTC 키노트에서 기후 과학에 사용된 Earth-2 와 AI 모델에 대해 자세히 알아보세요.