תלמיד תיכון בן 17 ממונטוול, ניו ג'רזי, השתמש בבינה מלאכותית כדי לצמצם את טעות החיזוי של שטף חום קריטי (CHF) בכורים גרעיניים מ-63% ל-5.5%. ההישג העניק לו פרס של 50,000 דולר ועשוי להדק את מרווחי הבטיחות של הדור הבא של תחנות כוח גרעיניות.

למה שטף חום קריטי הוא חשוב

שטף חום קריטי (CHF) מסמן את הנקודה שבה הרתיחה על מוטות הדלק של הכור הופכת לבלתי יציבה, מה שמסכן בעלייה מהירה בטמפרטורה שעלולה לפגוע בליבה. מהנדסים חייבים לחזות את ה-CHF במדויק כדי לשמור על פעולה בטוחה של הכורים תוך הפקת מקסימום אנרגיה. שיטות מסורתיות מסתמכות על מתאמים אמפיריים שלעיתים קרובות נושאים אי-ודאות גבוהה; טעות של 63% מאלצת את המפעילים לפעול בצורה שמרנית – מה שגורם לבזבוז אנרגיה פוטנציאלית – או להתקרב מדי לגבולות לא בטוחים.

רשת עצבית מונחית פיזיקה

במקום להזין מודל AI גנרי נתונים גולמיים, הנער בנה מערכת למידת מכונה מבוססת פיזיקה (physics-informed). הרשת לומדת ממדידות ניסיוניות אך מוגבלת בכל שלב על ידי משוואות השליטה של תרמודינמיקה ודינמיקת נוזלים. על ידי אילוץ המודל לציית לחוקים אלו, הוא נמנע מ"מלכודות הקופסה השחורה" שהופכות כלי AI רבים לבלתי מתאימים להנדסה בסיכון גבוה. התוצאה: שגיאת החיזוי יורדת ל-5.5%, דיוק שעשוי לאפשר לכורים לפעול קרוב יותר לביצועים אופטימליים מבלי להתפשר על הבטיחות.

השלכות על תעשיית הגרעין

  • תפעול בטוח יותר – תחזיות CHF מדויקות יותר מפחיתות את הסיכון להתחממות יתר הנגרמת מרתיחה, שהיא גורם מקדים מרכזי לתאונות חמורות.
  • יעילות גבוהה יותר – מפעילים יכולים להפיק יותר חום לפני הגעה למגבלות הבטיחות, מה שמגדיל את מקדם הקיבולת (capacity factor) של התחנה.
  • האצת הפריסה של SMRs – כורים מודולריים קטנים (Small Modular Reactors), הזוכים לשבחים על גמישות ועלויות ראשוניות נמוכות, תלויים בניהול תרמי מתקדם. מודל AI אמין עשוי לסלק את אחד המכשולים הרגולטוריים העיקריים.

יתרונות אלו עולים בקנה אחד עם המאמץ העולמי להרחבת מקורות אנרגיה דלי פחמן. בעוד ממשלות מקצות מיליארדים להקמת כורים גרעיניים חדשים, כלי שמבטיח גם בטיחות וגם יעילות עשוי למשוך עניין רב בתעשייה.

ספקנות ומכשולים מעשיים

גם עם הפחתת השגיאה הדרמטית, המודל עדיין חייב לעבור תיקוף (validation) קפדני לפני שכור מסחרי יוכל לסמוך עליו. רגולטורים בתחום הגרעין דורשים בדרך כלל עשרות שנים של ביצועים מוכחים עבור כל תוכנה קריטית לבטיחות, ו-AI מודע-פיזיקה עדיין תלוי באיכות נתוני האימון שלו. מבקרים מזהירים כי הסתמכות יתר על מודל, קריטי ככל שיהיה בבדיקות, עלולה להסתיר מצבי כשל בלתי צפויים אם הפיזיקה הבסיסית משתנה בתנאים קיצוניים.

מה זה אומר על הודו

תוכנית הגרעין של הודו מתרחבת תחת אסטרטגיה רב-שלבית הכוללת SMRs. שילוב של כלי AI מודע-פיזיקה יכול לסייע למשרד לאנרגיה אטומית (Department of Atomic Energy) להדק את ניתוחי הבטיחות ולשפר את הכלכליות של התחנות. ההצלחה מדגישה גם את המגמה הרחבה יותר של "AI למען הטוב" (AI for Good), המעודדת מוסדות מחקר הודיים לשלב הנדסת deep-tech עם למידת מכונה מתקדמת. לבסוף, ההישג מדגיש את הפוטנציאל של כישרונות מהתפוצות ואת הצורך בתוכניות לימודים המגשרות בין הנדסה מסורתית למדעי הנתונים.

מה כדאי לעקוב אחריו בהמשך

  • מחקרים חלוציים (Pilot studies) – מאמצים מוקדמים עשויים להריץ את המודל לצד קודי בטיחות קיימים בכורים ניסיוניים כדי לאסוף נתוני ביצועים בעולם האמיתי.
  • תגובה רגולטורית – גופי פיקוח גרעיניים יפרסמו הנחיות לגבי האופן שבו ניתן לשלב תחזיות מועצמות AI ברישוי.
  • עניין מסחרי – ספקים של מערכות בקרה לכורים עשויים להעניק רישיון לשימוש בטכנולוגיה או לפתח מודלים מבוססי-פיזיקה מתחרים.

אם המודל יעבור את הבדיקות הללו, הוא עשוי להפוך לרכיב סטנדרטי בחבילות תכנון כורים, ויעצב את האופן שבו התעשייה מאזנת בין בטיחות לתפוקה בשנים הבאות.

בשורה התחתונה: בינה מלאכותית מונחית-פיזיקה של נער הראתה שלמידת מכונה יכולה לעבור מזיהוי תבניות מבוסס נתונים בלבד לכלי הנדסי מהימן, המציע נתיב קונקרטי לכוח גרעיני בטוח ויעיל יותר – בתנאי שהתעשייה תוכל לגשר על הפער בין הצלחה במעבדה לקבלה רגולטורית.