મોન્ટવેલ, ન્યૂ જર્સીના એક 17 વર્ષીય હાઈ-સ્કૂલના વિદ્યાર્થીએ ન્યુક્લિયર રિએક્ટર્સ માટે ક્રિટિકલ હીટ ફ્લક્સની આગાહીઓમાં ભૂલનું પ્રમાણ 63% થી ઘટાડીને 5.5% કરવા માટે આર્ટિફિશિયલ ઇન્ટેલિજન્સનો ઉપયોગ કર્યો. આ સિદ્ધિએ તેને $50,000 નું ઇનામ અપાવ્યું અને તે આગામી પેઢીના ન્યુક્લિયર પ્લાન્ટ્સમાં સુરક્ષા માર્જિનને મજબૂત બનાવી શકે છે.

ક્રિટિકલ હીટ ફ્લક્સ શા માટે મહત્વનું છે

ક્રિટિકલ હીટ ફ્લક્સ (CHF) એ એવો બિંદુ સૂચવે છે જ્યાં રિએક્ટરના ફ્યુઅલ રોડ્સ પર ઉકળવું (boiling) અસ્થિર બને છે, જેનાથી તાપમાનમાં ઝડપી વધારો થવાનું જોખમ રહે છે જે કોરને નુકસાન પહોંચાડી શકે છે. રિએક્ટર્સને શક્ય તેટલી વધુ ઊર્જા મેળવતા સુરક્ષિત રીતે ચલાવવા માટે એન્જિનિયરોએ CHF ની સચોટ આગાહી કરવી આવશ્યક છે. પરંપરાગત પદ્ધતિઓ એમ્પિરિકલ કોરિલેશન પર આધારિત છે જેમાં ઘણીવાર મોટી અનિશ્ચિતતાઓ હોય છે; 63% એરર માર્જિન ઓપરેટરોને સાવચેતીપૂર્વક ચલાવવા માટે મજબૂર કરે છે—જેથી સંભવિત પાવરનો બગાડ થાય છે—અથવા અસુરક્ષિત મર્યાદાઓની ખૂબ નજીક જવા માટે પ્રેરે છે.

ફિઝિક્સ-ગાઈડેડ ન્યુરલ નેટવર્ક

સામાન્ય AI મોડેલમાં કાચો ડેટા આપવાને બદલે, આ કિશોરે ફિઝિક્સ-ઇન્ફોર્મ્ડ મશીન-લર્નિંગ સિસ્ટમ બનાવી. આ નેટવર્ક પ્રાયોગિક માપનમાંથી શીખે છે પરંતુ થર્મોડાયનેમિક્સ અને ફ્લુઇડ ડાયનેમિક્સના નિયમો દ્વારા દરેક તબક્કે મર્યાદિત છે. મોડેલને આ નિયમોનું પાલન કરવા માટે મજબૂર કરીને, તે "બ્લેક-બોક્સ" ની મુશ્કેલીઓથી બચે છે જે ઘણા AI સાધનોને ઉચ્ચ-જોખમ ધરાવતી એન્જિનિયરિંગ માટે અયોગ્ય બનાવે છે. પરિણામ: આગાહીની ભૂલ ઘટીને 5.5% થઈ જાય છે, જે એવી ચોકસાઈ છે જે સુરક્ષા સાથે બાંધછોડ કર્યા વિના રિએક્ટર્સને શ્રેષ્ઠ પ્રદર્શનની નજીક ચલાવવાની મંજૂરી આપી શકે છે.

ન્યુક્લિયર ઉદ્યોગ માટે અસરો

  • વધુ સુરક્ષિત કામગીરી – સચોટ CHF અનુમાન ઉકળવાને કારણે થતા ઓવરહીટિંગના જોખમને ઘટાડે છે, જે ગંભીર અકસ્માતોનું મુખ્ય કારણ બની શકે છે.
  • વધારે કાર્યક્ષમતા – ઓપરેટરો સુરક્ષા મર્યાદાઓ સુધી પહોંચતા પહેલા વધુ ગરમી મેળવી શકે છે, જેનાથી પ્લાન્ટનો કેપેસિટી ફેક્ટર વધે છે.
  • SMRs ના ઝડપી અમલીકરણમાં મદદ – સ્મોલ મોડ્યુલર રિએક્ટર્સ (SMRs), જે તેમની લવચીકતા અને ઓછા પૂર્વ ખર્ચ માટે જાણીતા છે, તેઓ અદ્યતન થર્મલ મેનેજમેન્ટ પર આધારિત છે. એક વિશ્વસનીય AI મોડેલ મુખ્ય નિયમનકારી અવરોધોમાંથી એકને દૂર કરી શકે છે.

આ ફાયદાઓ ઓછા કાર્બન ઊર્જા સ્ત્રોતોના વિસ્તરણ માટેના વૈશ્વિક પ્રયાસો સાથે સુસંગત છે. જેમ જેમ સરકારો નવા ન્યુક્લિયર નિર્માણ માટે અબજો ડોલર ફાળવી રહી છે, તેમ સુરક્ષા અને કાર્યક્ષમતા બંનેનું વચન આપતું સાધન ઉદ્યોગમાં રસ જગાવશે.

શંકા અને વ્યવહારિક અવરોધો

ભયાનક રીતે ભૂલના પ્રમાણમાં ઘટાડો થયો હોવા છતાં, કોમર્શિયલ રિએક્ટર તેના પર વિશ્વાસ કરી શકે તે પહેલાં મોડેલે સખત પ્રમાણીકરણ (validation) પાસ કરવું પડશે. ન્યુક્લિયર રેગ્યુલેટર્સ સામાન્ય રીતે કોઈપણ સુરક્ષા-ક્રિટિકલ સોફ્ટવેર માટે દાયકાઓના સાબિત થયેલા પ્રદર્શનની માંગ કરે છે, અને ફિઝિક્સ-અવેર AI હજુ પણ તેના તાલીમ ડેટાની ગુણવત્તા પર આધારિત છે. ટીકાકારો ચેતવણી આપે છે કે મોડેલ પર વધુ પડતો આધાર, ભલે તે પરીક્ષણોમાં કેટલું સચોટ હોય, જો પાયાના ભૌતિકશાસ્ત્રમાં અત્યંત પરિસ્થિતિઓમાં ફેરફાર થાય તો અણધાર્યા નિષ્ફળતાના મોડ્સને છુપાવી શકે છે.

ભારત માટે આનો અર્થ શું છે

ભારતનો ન્યુક્લિયર કાર્યક્રમ મલ્ટી-સ્ટેજ વ્યૂહરચના હેઠળ વિસ્તરી રહ્યો છે જેમાં SMRs નો સમાવેશ થાય છે. ફિઝિક્સ-અવેર AI સાધનને એકીકૃત કરવાથી પરમાણુ ઊર્જા વિભાગ (Department of Atomic Energy) ને સુરક્ષા વિશ્લેષણને મજબૂત કરવામાં અને પ્લાન્ટની અર્થશાસ્ત્ર સુધારવામાં મદદ મળી શકે છે. આ સફળતા "AI for Good" ના વ્યાપક અભિયાનને પણ રેખાંકિત કરે છે, જે ભારતીય સંશોધન સંસ્થાઓને ડીપ-ટેક એન્જિનિયરિંગને અદ્યતન મશીન લર્નિંગ સાથે જોડવા માટે પ્રોત્સાહિત કરે છે. અંતે, આ સિદ્ધિ ડાયસ્પોરા ટેલેન્ટની સંભાવના અને પરંપરાગત એન્જિનિયરિંગને ડેટા સાયન્સ સાથે જોડતા અભ્યાસક્રમોની જરૂરિયાત પર પ્રકાશ પાડે છે.

આગળ શું જોવું

  • પાયલોટ સ્ટડીઝ – પ્રારંભિક વપરાશકર્તાઓ વાસ્તવિક દુનિયાના પ્રદર્શનનો ડેટા એકત્રિત કરવા માટે ટેસ્ટ રિએક્ટર્સમાં હાલના સુરક્ષા કોડ્સની સાથે આ મોડેલ ચલાવી શકે છે.
  • નિયમનકારી પ્રતિસાદ – ન્યુક્લિયર દેખરેખ સંસ્થાઓ AI-વધારે આગાહીઓને લાયસન્સિંગમાં કેવી રીતે સમાવી શકાય તે અંગે માર્ગદર્શન બહાર પાડશે.
  • વ્યાવસાયિક રસ – રિએક્ટર કંટ્રોલ સિસ્ટમના વેન્ડર્સ આ ટેકનોલોજીનું લાયસન્સ લઈ શકે છે અથવા સ્પર્ધક ફિઝિક્સ-ઇન્ફોર્મ્ડ મોડેલ્સ વિકસાવી શકે છે.

જો મોડેલ આ પરીક્ષણોમાં ટકી જાય છે, તો તે રિએક્ટર ડિઝાઇન પેકેજનું પ્રમાણભૂત ઘટક બની શકે છે, જે આગામી વર્ષો સુધી ઉદ્યોગ સુરક્ષા અને ઉત્પાદન વચ્ચે કેવી રીતે સંતુલન જાળવે છે તેને આકાર આપી શકે છે.

મુખ્ય વાત: એક કિશોરના ફિઝિક્સ-ગાઈડેડ AI એ બતાવ્યું છે કે મશીન લર્નિંગ માત્ર ડેટા-ઓન્લી પેટર્ન મેચિંગથી આગળ વધીને એક વિશ્વસનીય એન્જિનિયરિંગ સાધન બની શકે છે, જે સુરક્ષિત અને વધુ કાર્યક્ષમ ન્યુક્લિયર પાવર માટે નક્કર માર્ગ પ્રદાન કરે છે—જો ઉદ્યોગ પ્રયોગશાળાની સફળતા અને નિયમનકારી સ્વીકૃતિ વચ્ચેના અંતરને પૂરવામાં આવે તો.