美國能源部阿貢國家實驗室的研究人員正在開發一個基于人工智能的“工具包”，這將有助于更好地確定用于建造核反應堆的材料的特性。

“我們要做的是將材料的輻射損傷過程實現可視化，并把人的因素排除在外”，助理計算科學家Logan Ward說。“我們正在建立人工智能工具，幫助量化對該材料的實際觀察結果，以此建立預測模型，告訴我們反應堆中正在發生什么。”

大多數核反應堆依賴于兩種基本材料類型：核燃料，包括燃料棒，反應在其中進行;結構，即反應堆中容納燃料的那些部分。

反應堆的裂變過程會隨著時間的推移損害這兩類材料，而其他裂變產物主要損害燃料。因此，反應堆材料的完整性會退化。

阿貢首席核工程師Abdellatif Yacout說：“這些材料面臨的挑戰在于，當核反應發生時，會有很多現象發生。有來自燃料的裂變產物造成的輻射損害，還有裂變氣體，使材料變形。我們正試圖了解所有這些共同產生的影響。”

選擇理想的材料

不同的材料對中子和裂變產物的轟擊有不同的反應，一些材料比其他材料更易遭受這種損害。例如，燃料變形更快，因為它們首當其沖地受到輻射的影響。研究人員正試圖更快、更精確地定義這種易感性，以選擇耐受性更前的材料，使其壽命達到從現在的數年延長到數十年。

確定一種材料在反應堆生命周期中的特性的一種方法是觀察它在一段時間內的作用。然而，一種材料可能需要多年才能觀察到輻射損傷。最后，花費大量的時間和費用可能會得到一個性能不足的產品。

為了縮短開發周期，研究人員正在使用阿貢的中壓電子顯微鏡—串聯設施(IVEM)和阿貢串聯激光加速器系統中的模擬輻照工具。通過使用離子加速器而不是中子或裂變產物來模擬輻射損傷的效果，研究人員可以在幾小時或幾天內對材料造成相當于核反應堆中多年的損傷。

加速器與透射電子顯微鏡(TEM)相連，具有非常高的分辨率，可以將物體放大到原子尺度。當一種材料被離子輻照時，研究人員可以實時見證所發生的損害，并確定具體的損傷類型。

“當我們能夠明確引發不同缺陷的原因以及它們在輻照下如何演變時，我們可以理解材料在核反應堆環境中的行為”，首席材料科學家和項目調查員Meimei Li指出。”但是像任何模擬工具一樣，我怎么知道它產生的離子輻射數據能夠代表反應堆中的中子損傷?”

一段時間以來，研究人員已經使用基于物理學的多尺度模型來比較兩種不同類型的輻射條件下的損害。例如，該方法在應用于純鐵等簡單材料時是準確的，但對于更復雜的材料就不太行了。

反應堆材料很復雜。不同的合金，如鈾合金，被用于燃料，而奧氏體不銹鋼只是反應堆環境中多種結構材料之一。

該團隊正準備使用TEM圖像和人工智能技術的組合，更快、更準確地預測反應堆中的中子損傷。

由IVEM設施的電子顯微鏡拍攝的顯微照片，顯示了材料的微觀結構是如何隨著輻照而演變的。

Ward解釋說：“我們得到的這些圖像看起來像大斑點的達爾馬提亞圖案，必須去確定這些斑點中哪些是我們試圖模擬的缺陷，測量它們有多大，計算它們有多少，并確定它們在圖像中的占比。”

這些數據告訴研究人員，多少輻射會產生一定量的損害。結合對物理學的理解，它為研究材料發生變化的過程和速率提供了窗口，并用來模擬反應堆中實際發生的情況。但這仍然需要很長的時間，而且必須針對許多不同的輻射條件和材料類型進行。

人工智能介入的地方

基于大量的人工工作基礎數據，可以用來訓練機器學習模型。通過數據輸入和重復來學習。針對這些相同的顯微照片，快速挑選出標志著特定類型缺陷的特征。這些信息幫助該團隊分析IVEM中的離子輻射實驗數據。

來自IVEM的視頻包含了許多不同的材料中損傷演變的圖像。再通過機器學習模型，將提供關于每個缺陷的大小、形狀和位置的信息，以及隨著時間推移跟蹤它們的能力。

“一旦我們有了所有這些數據，我們使用另一種機器學習技術來擬合物理學模型。這能幫助我們研究了反應速率，例如缺陷移動的速度以及它們溶解或重新出現的速度。我們可以建立模型，用它來預測材料的性能。它將告訴我們多長時間內我們需要更換零件。”

這個更新的工具箱，結合了模擬、數據和人工智能，將提供關于現有材料和未來新材料的信息，幫助節省大量的研發時間和費用。更重要的是，它將確保這些材料足夠穩定和強大，能夠承受它們所面對的強烈輻射場，使核反應堆更安全、更經濟、更持久。