美國正在運行的核反應堆已經步入退役期，這些反應堆建于數十年前，使用的是20世紀中葉的技術，它們提供了安全可靠的電力，但其產生的廢物也必須得到妥善處理。這些老舊的反應堆主要采用水冷，而目前最先進的快中子反應堆使用液態金屬冷卻劑，在此項技術的加持下，反應堆排放的幾乎所有廢燃料都可以重復利用。由于美國在20世紀70年代后幾乎停止了新的商業核電站的建設，快中子反應堆尚未進行商業化探索。一個快中子反應堆從概念到設計到建造，最后投入運行，需要數年甚至數十年的精心規劃。所有這些都是為了確保特定的反應堆設計是安全和穩定的，以便向監管機構提交全面的安全分析。

未來的反應堆將更加依賴先進的建模和仿真，現在通過使用人工智能(AI)和機器學習方法來強化這一技術。這是一種關鍵能力，美國能源部阿貢國家實驗室的計算科學家在這方面有豐富的經驗。憑借來自不同技術領域的專業技術人員(包括計算機科學、流體動力學、核工程等)，阿貢的科學家們正與核電行業一起設計未來的能源。

歡迎來到機器的世界

快速反應堆的好處是顯而易見的：它們比水冷反應堆更安全、體積更小、使用的燃料更少。然而，層層監督推高了建設和運營成本，研究人員多年來一直在尋找降低部分成本的方法。

由于世界各地的核設施產生了大量的實驗數據，我們對水冷反應堆有了解深入。但由于先進反應堆寥寥無幾，導致我們對其的了解有限。因此，科學家們不得不依靠建模和仿真來確定最佳反應堆方案。最近，研究人員將目光鎖定在一種新的技術上，以提高模擬的準確性并降低計算成本，這就是機器學習。作為人工智能的重要組成部分，機器利用既有數據自動學習，并進行更好的預測結果。

雖然不像建造一個核反應堆那么昂貴，但運行一個高功率、細粒度的模型仍然需要在世界最快的超級計算機上花費大量的處理器時間。當涉及到建模時，就必須在準確度、速度和費用之間進行權衡。使用機器學習可以在不犧牲精度的前提下減少模擬所需的時間。目前，機器學習技術已用于氣候科學和圖像處理等領域，這些領域的科學家們要處理巨大的數據集，因此他們必須掌握快速準確的處理方法。所以，將這一方法引入核反應堆設計和分析，也是合乎邏輯的。

擁有一個準確的核反應堆模型，對于確保反應堆建成后能夠安全運行是至關重要的。核反應堆必須在計算機上進行壓力測試，所有新反應堆的設計都包含了安全邊際或公差，旨在使反應堆即使在極端緊急情況下也能安全運行。由于每個模擬程序都包含一定的不確定性，核工程師需要準確量化這些安全邊際。反應堆結構復雜，包含許多不同的子系統，由不同的專家團隊設計。由于安全是最核心的因素，反應堆的設計者們有時也會過于保守。通過減少模型中的不確定性，研究人員最終可以縮小安全邊際，有可能降低一些成本。

美國最好的模型

反應堆設計的模擬運行可以是快速的、開放結果的，也可以是較慢的、完備的結果。要真正建立一個反應堆的不確定度范圍，需要編寫高度仿真的計算流體動力學(CFD)代碼，但完成一次運算可能需要數周或數月。核工程師和建模人員希望加快這一過程，同時提高我們對安全系數的理解。當需要建造一個具有額外安全裕度的反應堆時，核工程師不希望在后端支付不必要的成本，也不希望在前端的計算機模型方面多付出代價。

為了獲得足夠精度的CFD模型，同時兼顧運行時間，研究人員需要創建代用模型。代用模型是在無法直接測量特定結果時使用的，所以科學家們用模型來代替。其具體工作原理是不透明的，科學家們稱之為“黑箱”。傳統模型計算成本太高時，通常使用代用模型，這些代用模型比傳統的CFD模型運行得更快。除了使用代用模型，科學家們在超級計算機上研究核反應堆時，還采用了模塊化模擬，即分別對反應堆的不同部分分別建模和優化，然后在一個大型模擬中匯集起來。模擬并不是研究人員處理所有問題的唯一方法，但模擬確實幫了核工程師不少忙。

在構建機器學習模型時，科學家可以求助于三種不同類型的數據來生成訓練集：由實際反應堆生成的經驗數據;從以前的模型中得出的模擬數據;理論方程，這些方程提供了科學家所謂的“物理學指導”方法來對反應堆進行建模。通過將機器學習模型與經驗數據相結合，科學家們可以生成一組數據用于模型訓練，然后引入新變量重新訓練，并比較二者的結論。

科學家們希望將這些海量數據與一個全局模型相結合，嘗試以一種新的方式運行它。將模擬結果和實驗、其他模擬或物理學原理所得出的結論相對照。

當把核反應堆的模型引入實際設計，反應堆設計或運行條件可能沒有在現實世界中進行過測試。因此，驗證模擬的準確性可能是一個挑戰。這對于反應堆在在極端沖擊情況下保證安全尤為重要。由于研究人員擁有以往70年輕水反應堆和實驗性先進反應堆的經驗數據，加上對基本科學原理的深刻理解，我們可以形成相對全面的理論和模擬工具。但我們所知道的和現實的仍然存在差距。我們相信，機器學習方法和模型有可能填補這些認識空白。

雖然我們在這類反應堆的設計和分析方面有數十年的經驗，但核工程師們正試圖在反應堆的設計方面推陳出新。隨著這個新領域出現的，可能會有一些無法預料的問題。我們要確保在計算機上捕捉到這些情況，以便在建造時能防范于未然。

漫長而曲折的道路

核工業開始使用機器學習和其他先進方法來降低模擬成本。然而，與開發新核反應堆所涉及的一切一樣，這是一個漫長的過程。核電行業的合作者對新技術很感興趣，只要這些技術能降低整個流程成本，并盡可能保證安全、高效。這其中涉及到很多參與者，每一項新的技術或應用都需要經過審核。這需要時間，但對整個行業而言，我們開始走上一條讓設計和分析變得更加容易的道路。

在不同的技術領域使用機器學習和人工智能方法可能會對安全分析的建模和仿真產生革命性的影響，同時也可能會對診斷、操作和裝備材料產生重大影響，最終都能進一步對反應堆起到優化作用。

消除障礙

例如，在試制裝備材料方面，可以輔助識別適合用于先進反應堆的材料。其優勢不僅是更為高效快捷，也可以輔助設計新型測試或實驗，以避免實驗人員的主觀偏見。在某些方面，人類可能比機器更不可靠，因為計算機可以比人類更快地嘗試許多不同種類的組合，特別是一些意想不到的組合。

在試制裝備材料方面取得的進展也可以在快速成型制造中發揮作用。核反應堆的許多部件都涉及到非常復雜的獨特部件。如果科學家們找到了一種或幾種有趣的材料，可以用來構造這些部件，他們就可以使用快速成型制造和3D打印來制造它們。

操作方面，只要有足夠的數據，研究人員就可以建立預測模型，通過觀察參數何時漂移到理想范圍之外，來監測工廠中發生的情況，并預測某些潛在的故障。通過這種方式，模型可以提醒運營商采取預防措施。

阿貢實驗室利用人工智能在核反應堆建模方面的努力還處于起步階段，但在未來幾年內，它們有可能采取幾種可能的技術路線。最終，我們希望開發出基于物理學理論的、多尺度的模型，這些模型結合了機器學習，并利用廣泛的模擬和測量數據進行優化，實質上是用機器學習和人工智能統一了我們現有的所有數據。

免責聲明：本網轉載自合作媒體、機構或其他網站的信息，登載此文出于傳遞更多信息之目的，并不意味著贊同其觀點或證實其內容的真實性。本網所有信息僅供參考，不做交易和服務的根據。本網內容如有侵權或其它問題請及時告之，本網將及時修改或刪除。凡以任何方式登錄本網站或直接、間接使用本網站資料者，視為自愿接受本網站聲明的約束。