정확한 성능 예측 방법은 물질 표면 처리부터 우주선 전기추진(홀 추력기, Hall thrusters)까지 다양한 산업 분야에서 사용되는 고효율 홀 효과 이온 소스의 개발에 필수적이다. 기존 방법은 단순화된 스케일링 법칙에 의존하거나 계산 비용이 큰 수치 시뮬레이션을 활용한다. 본 연구에서는 방전 채널의 치수 및 자기장 구조와 같은 설계 변수를 바탕으로 홀 효과 이온 소스의 성능을 예측하는 신경망 앙상블 기반의 강건한 기계 학습 모델을 제안한다. 신경망은 입력 출력이 sub‐kW‐급부터 kW‐급까지에 이르는 수치 시뮬레이션으로부터 생성된 18,000개의 데이터 포인트로 학습된다. 개발된 기계 학습 모델의 정확성은 학습에 사용되지 않은 700 W 및 1 kW급 홀 효과 이온 소스를 통해 입증되었으며, 실험적으로 측정된 추력과 방전 전류에 대해 편차가 10% 미만인 결과를 산출하여 기존 스케일링 법칙보다 높은 정확도를 보였다. 수치 시뮬레이션을 위한 고충실도 대체(surrogate)로서 제안된 예측 도구는 높은 예측 정확도와 계산 속도를 제공함으로써 기존 스케일링 법칙을 효과적으로 보완하고, 홀 효과 이온 소스 성능 특성에 대한 이해를 증진한다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.