یک دانش‌آموز ۱۷ ساله دبیرستانی از مونت‌وال، نیوجرسی، از هوش مصنوعی برای کاهش حاشیه خطا در پیش‌بینی‌های شار حرارتی بحرانی برای رآکتورهای هسته‌ای از ۶۳٪ به ۵.۵٪ استفاده کرد. این موفقیت جایزه ۵۰,۰۰۰ دلاری برای او به ارمغان آورد و می‌تواند حاشیه ایمنی در نسل بعدی نیروگاه‌های هسته‌ای را افزایش دهد.
چرا شار حرارتی بحرانی اهمیت دارد
شار حرارتی بحرانی (CHF) نقطه‌ای را مشخص می‌کند که در آن جوشش روی میله‌های سوخت رآکتور ناپایدار می‌شود و خطر افزایش سریع دما که می‌تواند به هسته آسیب برساند را به همراه دارد. مهندسان باید CHF را با دقت پیش‌بینی کنند تا رآکتورها را در حین استخراج حداکثری انرژی، در حالت ایمن نگه دارند. روش‌های سنتی بر همبستگی‌های تجربی تکیه دارند که اغلب با عدم قطعیت‌های بزرگی همراه هستند؛ حاشیه خطای ۶۳ درصدی اپراتورها را مجبور می‌کند یا با احتیاط بیش از حد عمل کنند (که باعث اتلاف توان بالقوه می‌شود) یا بیش از حد به مرزهای ناایمن نزدیک شوند.
یک شبکه عصبی هدایت‌شده با فیزیک
این نوجوان به جای تغذیه یک مدل هوش مصنوعی عمومی با داده‌های خام، یک سیستم یادگیری ماشین مبتنی بر فیزیک ساخت. این شبکه از اندازه‌گیری‌های تجربی یاد می‌گیرد، اما در هر مرحله توسط معادلات حاکم بر ترمودینامیک و دینامیک سیالات محدود می‌شود. با وادار کردن مدل به پیروی از این قوانین، از مشکلات «جعبه سیاه» که بسیاری از ابزارهای هوش مصنوعی را برای مهندسی با ریسک بالا نامناسب می‌کند، جلوگیری می‌شود. نتیجه: خطای پیش‌بینی به ۵.۵٪ کاهش می‌یابد؛ دقتی که می‌تواند به رآکتورها اجازه دهد بدون به خطر انداختن ایمنی، در نزدیکی عملکرد بهینه فعالیت کنند.
پیامدها برای صنعت هسته‌ای
- عملکرد ایمن‌تر – پیش‌بینی‌های دقیق‌تر CHF خطر گرم شدن بیش از حد ناشی از جوشش را که پیش‌درآمد اصلی حوادث شدید است، کاهش می‌دهد.
- بازدهی بالاتر – اپراتورها می‌توانند پیش از رسیدن به محدودیت‌های ایمنی، گرمای بیشتری استخراج کنند و ضریب ظرفیت نیروگاه را افزایش دهند.
- تسریع در به‌کارگیری SMRها – رآکتورهای ماژولار کوچک (SMRs) که به دلیل انعطاف‌پذیری و هزینه اولیه کمتر مورد تحسین قرار گرفته‌اند، به مدیریت حرارتی پیشرفته وابسته هستند. یک مدل هوش مصنوعی قابل اعتماد می‌تواند یکی از موانع اصلی نظارتی را برطرف کند.
این مزایا با تلاش جهانی برای گسترش منابع انرژی کم‌کربن همسو است. در حالی که دولت‌ها میلیاردها دلار برای ساخت نیروگاه‌های هسته‌ای جدید اختصاص می‌دهند، ابزاری که هم ایمنی و هم کارایی را تضمین می‌کند، احتمالاً توجه صنعت را به خود جلب خواهد کرد.
تردیدها و موانع عملی
حتی با این کاهش چشمگیر خطا، مدل همچنان باید پیش از اینکه یک رآکتور تجاری بتواند به آن اعتماد کند، مراحل اعتبارسنجی سختگیرانه‌ای را پشت سر بگذارد. نهادهای نظارتی هسته‌ای معمولاً برای هر نرم‌افزار حساس به ایمنی، دهه‌ها عملکرد اثبات‌شده را می‌خواهند و یک هوش مصنوعی آگاه از فیزیک همچنان به کیفیت داده‌های آموزشی خود وابسته است. منتقدان هشدار می‌دهند که اتکای بیش از حد به یک مدل، هرچقدر هم که در آزمایش‌ها دقیق باشد، اگر فیزیک زیربنایی در شرایط سخت تغییر کند، می‌تواند حالت‌های شکست پیش‌بینی‌نشده را پنهان کند.
این موضوع برای هند چه معنایی دارد
برنامه هسته‌ای هند تحت یک استراتژی چند مرحله‌ای که شامل SMRها است، در حال گسترش است. ادغام یک ابزار هوش مصنوعی آگاه از فیزیک می‌تواند به Department of Atomic Energy کمک کند تا تحلیل‌های ایمنی را دقیق‌تر کرده و اقتصاد نیروگاه را بهبود بخشد. این موفقیت همچنین بر جنبش گسترده‌تر «هوش مصنوعی برای خیر عمومی» (AI for Good) تأکید می‌کند و موسسات تحقیقاتی هند را به ترکیب مهندسی فناوری‌های عمیق (deep-tech) با یادگیری ماشین پیشرفته تشویق می‌کند. در نهایت، این دستاورد پتانسیل استعدادهای دور از وطن (diaspora) و نیاز به برنامه‌های درسی را برجسته می‌کند که مهندسی سنتی را به علم داده پیوند می‌دهند.
آنچه باید در آینده زیر نظر داشت
- مطالعات آزمایشی – پذیرندگان اولیه ممکن است مدل را در کنار کدهای ایمنی موجود در رآکتورهای آزمایشی اجرا کنند تا داده‌های عملکردی در دنیای واقعی را جمع‌آوری کنند.
- پاسخ‌های نظارتی – نهادهای نظارتی هسته‌ای دستورالعمل‌هایی درباره نحوه گنجاندن پیش‌بینی‌های تقویت‌شده با هوش مصنوعی در فرآیند صدور مجوز صادر خواهند کرد.
- علاقه تجاری – فروشندگان سیستم‌های کنترل رآکتور می‌توانند این فناوری را تحت لیسانس دریافت کنند یا مدل‌های مبتنی بر فیزیک رقیب توسعه دهند.
اگر مدل از این آزمایش‌ها سربلند بیرون بیاید، می‌تواند به یک جزء استاندارد در بسته‌های طراحی رآکتور تبدیل شود و نحوه تعادل صنعت بین ایمنی و تولید را برای سالهای متمادی شکل دهد.
نتیجه‌گیری: هوش مصنوعی هدایت‌شده با فیزیک توسط یک نوجوان نشان داد که یادگیری ماشین می‌تواند از تطبیق الگوهای صرف با داده‌ها، به یک ابزار مهندسی قابل اعتماد تبدیل شود و مسیری ملموس به سوی انرژی هسته‌ای ایمن‌تر و کارآمدتر ارائه دهد؛ مشروط بر اینکه صنعت بتواند شکاف بین موفقیت‌های آزمایشگاهی و پذیرش نظارتی را پر کند.