Seorang pelajar sekolah menengah berusia 17 tahun dari Montvale, New Jersey, telah menggunakan kecerdasan buatan untuk mengurangkan margin ralat dalam ramalan fluks haba kritikal bagi reaktor nuklear daripada 63% kepada 5.5%. Pencapaian ini memberinya hadiah sebanyak $50,000 dan boleh memperketat margin keselamatan dalam loji nuklear generasi akan datang.

Mengapa fluks haba kritikal penting

Fluks haba kritikal (CHF) menandakan titik di mana pendidihan pada rod bahan api reaktor menjadi tidak stabil, yang berisiko menyebabkan kenaikan suhu mendadak yang boleh merosakkan teras. Jurutera mesti meramalkan CHF dengan tepat untuk memastikan reaktor beroperasi dengan selamat sambil mengekstrak tenaga sebanyak mungkin. Kaedah tradisional bergantung kepada korelasi empirikal yang sering membawa ketidakpastian yang besar; margin ralat sebanyak 63% memaksa pengendali untuk beroperasi secara konservatif—membazirkan potensi kuasa—atau bertindak terlalu hampir dengan had yang tidak selamat.

Rangkaian neural berpandukan fizik

Daripada hanya memasukkan data mentah ke dalam model AI generik, remaja tersebut membina sistem pembelajaran mesin berinformasi fizik. Rangkaian tersebut belajar daripada pengukuran eksperimen tetapi dihadkan pada setiap langkah oleh persamaan termodinamik dan dinamik bendalir yang mengawal selia proses tersebut. Dengan memaksa model tersebut mematuhi undang-undang tersebut, ia mengelakkan perangkap "kotak hitam" (black-box) yang menjadikan banyak alatan AI tidak sesuai untuk kejuruteraan berisiko tinggi. Hasilnya: ralat ramalan turun kepada 5.5%, satu ketepatan yang boleh membolehkan reaktor beroperasi lebih hampir kepada prestasi optimum tanpa menjejaskan keselamatan.

Implikasi terhadap industri nuklear

  • Operasi yang lebih selamat – ramalan CHF yang lebih ketat mengurangkan risiko pemanasan melampau akibat pendidihan, yang merupakan petanda utama kepada kemalangan teruk.
  • Kecekapan yang lebih tinggi – pengendali boleh mengekstrak lebih banyak haba sebelum mencapai had keselamatan, sekali gus meningkatkan faktor kapasiti loji.
  • Pelancaran SMR yang dipercepatkan – Reaktor Modular Kecil (SMR), yang dipuji kerana fleksibiliti dan kos pendahuluan yang lebih rendah, bergantung kepada pengurusan terma yang maju. Model AI yang boleh dipercayai boleh menghapuskan salah satu halangan kawal selia utama.

Manfaat-manfaat ini selaras dengan usaha global untuk memperluaskan sumber tenaga rendah karbon. Memandangkan kerajaan memperuntukkan berbilion ringgit untuk pembinaan nuklear baharu, alatan yang menjanjikan keselamatan dan kecekapan berkemungkinan besar akan menarik minat industri.

Skeptisisme dan halangan praktikal

Walaupun terdapat pengurangan ralat yang drastik, model tersebut masih perlu melalui pengesahan yang ketat sebelum reaktor komersial boleh mempercayainya. Pengawal selia nuklear biasanya menuntut prestasi terbukti selama berdekad-dekad bagi mana-mana perisian kritikal keselamatan, dan AI yang peka fizik masih bergantung pada kualiti data latihannya. Pengkritik memberi amaran bahawa kebergantungan berlebihan pada sesuatu model, walau setepat mana pun dalam ujian, boleh menyembunyikan mod kegagalan yang tidak dijangka jika fizik asas berubah di bawah keadaan ekstrem.

Apa maknanya bagi India

Program nuklear India berkembang di bawah strategi pelbagai peringkat yang merangkumi SMR. Mengintegrasikan alatan AI yang peka fizik boleh membantu Jabatan Tenaga Atom memperketat analisis keselamatan dan menambah baik ekonomi loji. Kejayaan ini juga menekankan usaha "AI untuk Kebaikan" (AI for Good) yang lebih luas, menggalakkan institusi penyelidikan India untuk menggabungkan kejuruteraan teknologi mendalam (deep-tech) dengan pembelajaran mesin yang maju. Akhir sekali, pencapaian ini menonjolkan potensi bakat diaspora dan keperluan untuk kurikulum yang merapatkan jurang antara kejuruteraan tradisional dengan sains data.

Apa yang perlu diperhatikan seterusnya

  • Kajian rintis – pengguna awal mungkin menjalankan model tersebut bersama-sama kod keselamatan sedia ada dalam reaktor ujian untuk mengumpul data prestasi dunia sebenar.
  • Respons kawal selia – badan pengawasan nuklear akan mengeluarkan panduan tentang bagaimana ramalan yang dipertingkatkan oleh AI boleh dimasukkan ke dalam pelesenan.
  • Minat komersial – vendor sistem kawalan reaktor boleh melesenkan teknologi tersebut atau membangunkan model berinformasi fizik yang bersaing.

Jika model tersebut berjaya melepasi ujian-ujian ini, ia boleh menjadi komponen standard dalam pakej reka bentuk reaktor, sekali gus mencorak cara industri mengimbangi keselamatan dan output untuk tahun-tahun mendatang.

Rumusan: AI berpandukan fizik oleh seorang remaja telah menunjukkan bahawa pembelajaran mesin boleh beralih daripada sekadar pemadanan corak data kepada alatan kejuruteraan yang dipercayai, menawarkan jalan konkrit ke arah kuasa nuklear yang lebih selamat dan cekap—dengan syarat industri dapat merapatkan jurang antara kejayaan makmal dan penerimaan kawal selia.