Un lycéen de 17 ans de Montvale, dans le New Jersey, a utilisé l'intelligence artificielle pour réduire la marge d'erreur des prédictions du flux thermique critique pour les réacteurs nucléaires de 63 % à 5,5 %. Cet exploit lui a valu un prix de 50 000 $ et pourrait renforcer les marges de sécurité de la prochaine génération de centrales nucléaires.

Pourquoi le flux thermique critique est crucial

Le flux thermique critique (CHF, pour Critical Heat Flux) marque le point où l'ébullition sur les barres de combustible d'un réacteur devient instable, risquant une montée rapide de la température qui peut endommager le cœur. Les ingénieurs doivent prédire le CHF avec précision pour maintenir les réacteurs en fonctionnement de manière sûre tout en extrayant autant d'énergie que possible. Les méthodes traditionnelles reposent sur des corrélations empiriques qui comportent souvent de grandes incertitudes ; une marge d'erreur de 63 % oblige les exploitants à fonctionner de manière conservatrice — gaspillant ainsi un potentiel de puissance — ou à s'approcher trop près de limites dangereuses.

Un réseau de neurones guidé par la physique

Au lieu de fournir des données brutes à un modèle d'IA générique, l'adolescent a conçu un système d'apprentissage automatique informé par la physique (physics-informed machine learning). Le réseau apprend à partir de mesures expérimentales, mais il est contraint à chaque étape par les équations régissant la thermodynamique et la dynamique des fluides. En forçant le modèle à respecter ces lois, il évite les pièges de la « boîte noire » qui rendent de nombreux outils d'IA inadaptés à l'ingénierie à haut risque. Résultat : l'erreur de prédiction chute à 5,5 %, une précision qui pourrait permettre aux réacteurs de fonctionner plus près de leurs performances optimales sans compromettre la sécurité.

Implications pour l'industrie nucléaire

  • Une exploitation plus sûre – des prévisions de CHF plus précises réduisent le risque de surchauffe induite par l'ébullition, un précurseur clé des accidents graves.
  • Une efficacité accrue – les exploitants peuvent extraire plus de chaleur avant d'atteindre les limites de sécurité, augmentant ainsi le facteur de capacité de la centrale.
  • Un déploiement accéléré des SMR – Les petits réacteurs modulaires (SMR, pour Small Modular Reactors), loués pour leur flexibilité et leur coût initial réduit, dépendent d'une gestion thermique avancée. Un modèle d'IA fiable pourrait lever l'un des principaux obstacles réglementaires.

Ces avantages s'inscrivent dans la dynamique mondiale d'expansion des sources d'énergie bas carbone. Alors que les gouvernements consacrent des milliards de dollars à la construction de nouveaux réacteurs nucléaires, un outil promettant à la fois sécurité et efficacité attirera probablement l'intérêt de l'industrie.

Scepticisme et obstacles pratiques

Même avec cette réduction spectaculaire de l'erreur, le modèle doit encore passer par une validation rigoureuse avant qu'un réacteur commercial puisse lui faire confiance. Les régulateurs nucléaires exigent généralement des décennies de performances prouvées pour tout logiciel critique pour la sécurité, et une IA consciente de la physique dépend toujours de la qualité de ses données d'entraînement. Les critiques avertissent qu'une dépendance excessive à un modèle, aussi précis soit-il lors des tests, pourrait masquer des modes de défaillance imprévus si la physique sous-jacente change dans des conditions extrêmes.

Ce que cela signifie pour l'Inde

Le programme nucléaire de l'Inde se développe selon une stratégie multi-étapes qui inclut les SMR. L'intégration d'un outil d'IA conscient de la physique pourrait aider le Département de l'Énergie Atomique (Department of Atomic Energy) à renforcer les analyses de sécurité et à améliorer l'économie des centrales. Ce succès souligne également une dynamique plus large de l'« IA pour le bien » (AI for Good), encourageant les institutions de recherche indiennes à fusionner l'ingénierie de pointe (deep-tech) avec l'apprentissage automatique avancé. Enfin, cette réussite met en lumière le potentiel des talents de la diaspora et la nécessité de programmes d'études faisant le pont entre l'ingénierie traditionnelle et la science des données.

À surveiller prochainement

  • Études pilotes – les premiers adoptants pourraient faire fonctionner le modèle parallèlement aux codes de sécurité existants dans des réacteurs d'essai afin de recueillir des données de performance en conditions réelles.
  • Réponse réglementaire – les organismes de surveillance nucléaire publieront des directives sur la manière dont les prédictions améliorées par l'IA peuvent être intégrées dans les processus de licence.
  • Intérêt commercial – les fournisseurs de systèmes de contrôle de réacteurs pourraient concéder des licences pour cette technologie ou développer des modèles informés par la physique concurrents.

Si le modèle survit à ces tests, il pourrait devenir un composant standard des packages de conception de réacteurs, façonnant la manière dont l'industrie équilibre la sécurité et la production pour les années à venir.

À retenir : L'IA guidée par la physique d'un adolescent a démontré que l'apprentissage automatique peut passer d'une simple reconnaissance de formes basée sur les données à un outil d'ingénierie de confiance, offrant une voie concrète vers une énergie nucléaire plus sûre et plus efficace — à condition que l'industrie puisse combler le fossé entre le succès en laboratoire et l'acceptation réglementaire.