ਮੋਂਟਵਾਲ, ਨਿਊ ਜਰਸੀ ਦੇ ਇੱਕ 17 ਸਾਲਾ ਹਾਈ-ਸਕੂਲ ਵਿਦਿਆਰਥੀ ਨੇ ਪ੍ਰਮਾਣੂ ਰਿਐਕਟਰਾਂ ਲਈ ਕ੍ਰਿਟੀਕਲ ਹੀਟ ਫਲਕਸ (critical heat flux) ਦੀਆਂ ਭਵਿੱਖਬਾਣੀਆਂ ਵਿੱਚ ਗਲਤੀ ਦੀ ਮਾਰਜਨ ਨੂੰ 63% ਤੋਂ ਘਟਾ ਕੇ 5.5% ਕਰਨ ਲਈ ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ (AI) ਦੀ ਵਰਤੋਂ ਕੀਤੀ। ਇਸ ਪ੍ਰਾਪਤੀ ਨੇ ਉਸਨੂੰ 50,000 ਡਾਲਰ ਦਾ ਇਨਾਮ ਦਿਵਾਇਆ ਅਤੇ ਇਹ ਅਗਲੀ ਪੀੜ੍ਹੀ ਦੇ ਪ੍ਰਮਾਣੂ ਪਲਾਂਟਾਂ ਵਿੱਚ ਸੁਰੱਖਿਆ ਮਾਰਜਿਨ ਨੂੰ ਮਜ਼ਬੂਤ ਕਰ ਸਕਦਾ ਹੈ।

ਕ੍ਰਿਟੀਕਲ ਹੀਟ ਫਲਕਸ ਕਿਉਂ ਮਹੱਤਵਪੂਰਨ ਹੈ

ਕ੍ਰਿਟੀਕਲ ਹੀਟ ਫਲਕਸ (CHF) ਉਸ ਬਿੰਦੂ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ ਜਿੱਥੇ ਰਿਐਕਟਰ ਦੀਆਂ ਇੰਧਨ ਰਾਡਾਂ (fuel rods) 'ਤੇ ਉਬਾਲ ਅਸਥਿਰ ਹੋ ਜਾਂਦਾ ਹੈ, ਜਿਸ ਨਾਲ ਤਾਪਮਾਨ ਵਿੱਚ ਤੇਜ਼ੀ ਨਾਲ ਵਾਧਾ ਹੋਣ ਦਾ ਖ਼ਤਰਾ ਬਣ ਜਾਂਦਾ ਹੈ ਜੋ ਕੋਰ (core) ਨੂੰ ਨੁਕਸਾਨ ਪਹੁੰਚਾ ਸਕਦਾ ਹੈ। ਇੰਜੀਨੀਅਰਾਂ ਨੂੰ ਰਿਐਕਟਰਾਂ ਨੂੰ ਸੁਰੱਖਿਅਤ ਰੱਖਣ ਅਤੇ ਵੱਧ ਤੋਂ ਵੱਧ ਊਰਜਾ ਕੱਢਣ ਲਈ CHF ਦੀ ਸਹੀ ਭਵਿੱਖਬਾਣੀ ਕਰਨੀ ਪੈਂਦੀ ਹੈ। ਰਵਾਇਤੀ ਤਰੀਕੇ ਅਨੁਭਵੀ ਸਬੰਧਾਂ (empirical correlations) 'ਤੇ ਨਿਰਭਰ ਕਰਦੇ ਹਨ ਜਿਨ੍ਹਾਂ ਵਿੱਚ ਅਕਸਰ ਵੱਡੀ ਅਨਿਸ਼ਚਿਤਤਾ ਹੁੰਦੀ ਹੈ; 63% ਦੀ ਗਲਤੀ ਦੀ ਮਾਰਜਨ ਆਪਰੇਟਰਾਂ ਨੂੰ ਜਾਂ ਤਾਂ ਬਹੁਤ ਸਾਵਧਾਨੀ ਨਾਲ ਚੱਲਣ ਲਈ ਮਜਬੂਰ ਕਰਦੀ ਹੈ—ਜਿਸ ਨਾਲ ਸੰਭਾਵੀ ਸ਼ਕਤੀ ਦੀ ਬਰਬਾਦੀ ਹੁੰਦੀ ਹੈ—ਜਾਂ ਅਸੁਰੱਖਿਅਤ ਸੀਮਾਵਾਂ ਦੇ ਬਹੁਤ ਨੇੜੇ ਜਾਣ ਲਈ।

ਇੱਕ ਭੌਤਿਕ ਵਿਗਿਆਨ-ਮਾਰਗਦਰਸ਼ਿਤ ਨਿਊਰਲ ਨੈੱਟਵਰਕ

ਇੱਕ ਆਮ AI ਮਾਡਲ ਨੂੰ ਕੱਚਾ ਡਾਟਾ ਦੇਣ ਦੀ ਬਜਾਏ, ਇਸ ਨੌਜਵਾਨ ਨੇ ਇੱਕ ਭੌਤਿਕ ਵਿਗਿਆਨ-ਅਧਾਰਿਤ (physics-informed) ਮਸ਼ੀਨ-ਲਰਨਿੰਗ ਸਿਸਟਮ ਬਣਾਇਆ। ਇਹ ਨੈੱਟਵਰਕ ਪ੍ਰਯੋਗਸ਼ਾਲਾ ਦੇ ਮਾਪਾਂ ਤੋਂ ਸਿੱਖਦਾ ਹੈ ਪਰ ਥਰਮੋਡਾਇਨਾਮਿਕਸ ਅਤੇ ਫਲੂਡ ਡਾਇਨਾਮਿਕਸ ਦੇ ਨਿਯਮਾਂ ਦੁਆਰਾ ਹਰ ਕਦਮ 'ਤੇ ਸੀਮਤ ਹੁੰਦਾ ਹੈ। ਮਾਡਲ ਨੂੰ ਉਹਨਾਂ ਨਿਯਮਾਂ ਦੀ ਪਾਲਣਾ ਕਰਨ ਲਈ ਮਜਬੂਰ ਕਰਕੇ, ਇਹ "ਬਲੈਕ-ਬਾਕਸ" (black-box) ਵਾਲੀਆਂ ਮੁਸ਼ਕਲਾਂ ਤੋਂ ਬਚਦਾ ਹੈ ਜੋ ਕਈ AI ਟੂਲਸ ਨੂੰ ਉੱਚ-ਜੋਖਮ ਵਾਲੀ ਇੰਜੀਨੀਅਰਿੰਗ ਲਈ ਅਣਉਚਿਤ ਬਣਾਉਂਦੀਆਂ ਹਨ। ਨਤੀਜਾ: ਭਵਿੱਖਬਾਣੀ ਦੀ ਗਲਤੀ ਘਟ ਕੇ 5.5% ਰਹਿ ਜਾਂਦੀ ਹੈ, ਇੱਕ ਅਜਿਹੀ ਸ਼ੁੱਧਤਾ ਜੋ ਰਿਐਕਟਰਾਂ ਨੂੰ ਸੁਰੱਖਿਆ ਨਾਲ ਸਮਝੌਤਾ ਕੀਤੇ ਬਿਨਾਂ ਅਨੁਕੂਲ ਪ੍ਰਦਰਸ਼ਨ ਦੇ ਨੇੜੇ ਚਲਾਉਣ ਦੀ ਇਜਾਜ਼ਤ ਦੇ ਸਕਦੀ ਹੈ।

ਪ੍ਰਮਾਣੂ ਉਦਯੋਗ ਲਈ ਪ੍ਰਭਾਵ

  • ਸੁਰੱਖਿਅਤ ਸੰਚਾਲਨ – ਸਹੀ CHF ਭਵਿੱਖਬਾਣੀਆਂ ਉਬਾਲ ਕਾਰਨ ਹੋਣ ਵਾਲੀ ਓਵਰਹੀਟਿੰਗ ਦੇ ਜੋਖਮ ਨੂੰ ਘਟਾਉਂਦੀਆਂ ਹਨ, ਜੋ ਗੰਭੀਰ ਹਾਦਸਿਆਂ ਦਾ ਇੱਕ ਮੁੱਖ ਕਾਰਨ ਹੈ।
  • ਉੱਚ ਕੁਸ਼ਲਤਾ – ਆਪਰੇਟਰ ਸੁਰੱਖਿਆ ਸੀਮਾਵਾਂ ਤੱਕ ਪਹੁੰਚਣ ਤੋਂ ਪਹਿਲਾਂ ਵਧੇਰੇ ਗਰਮੀ ਕੱਢ ਸਕਦੇ ਹਨ, ਜਿਸ ਨਾਲ ਪਲਾਂਟ ਦੀ ਸਮਰੱਥਾ (capacity factor) ਵਧਦੀ ਹੈ।
  • SMRs ਦੀ ਤੇਜ਼ੀ ਨਾਲ ਵਰਤੋਂ – ਸਮਾਲ ਮੋਡਿਊਲਰ ਰਿਐਕਟਰ (SMRs), ਜੋ ਆਪਣੀ ਲਚਕਤਾ ਅਤੇ ਘੱਟ ਸ਼ੁਰੂਆਤੀ ਲਾਗਤ ਲਈ ਜਾਣੇ ਜਾਂਦੇ ਹਨ, ਉੱਨਤ ਥਰਮਲ ਪ੍ਰਬੰਧਨ 'ਤੇ ਨਿਰਭਰ ਕਰਦੇ ਹਨ। ਇੱਕ ਭਰੋਸੇਯੋਗ AI ਮਾਡਲ ਮੁੱਖ ਰੈਗੂਲੇਟਰੀ ਰੁਕਾਵਟਾਂ ਵਿੱਚੋਂ ਇੱਕ ਨੂੰ ਦੂਰ ਕਰ ਸਕਦਾ ਹੈ।

ਇਹ ਲਾਭ ਘੱਟ-ਕਾਰਬਨ ਊਰਜਾ ਸਰੋਤਾਂ ਨੂੰ ਵਧਾਉਣ ਦੇ ਵਿਸ਼ਵਵਿਆਪੀ ਯਤਨਾਂ ਦੇ ਅਨੁਕੂਲ ਹਨ। ਜਿਵੇਂ ਕਿ ਸਰਕਾਰਾਂ ਨਵੇਂ ਪ੍ਰਮਾਣੂ ਨਿਰਮਾਣ ਲਈ ਅਰਬਾਂ ਰੁਪਏ ਅਲਾਟ ਕਰ ਰਹੀਆਂ ਹਨ, ਇੱਕ ਅਜਿਹਾ ਟੂਲ ਜੋ ਸੁਰੱਖਿਆ ਅਤੇ ਕੁਸ਼ਲਤਾ ਦੋਵਾਂ ਦਾ ਵਾਅਦਾ ਕਰਦਾ ਹੈ, ਉਦਯੋਗ ਦੀ ਦਿਲਚਸਪੀ ਨੂੰ ਆਕਰਸ਼ਿਤ ਕਰੇਗਾ।

ਸ਼ੱਕ ਅਤੇ ਵਿਹਾਰਕ ਰੁਕਾਵਟਾਂ

ਗਲਤੀ ਵਿੱਚ ਭਾਰੀ ਕਮੀ ਦੇ ਬਾਵਜੂਦ, ਵਪਾਰਕ ਰਿਐਕਟਰ ਦੁਆਰਾ ਇਸ 'ਤੇ ਭਰੋਸਾ ਕਰਨ ਤੋਂ ਪਹਿਲਾਂ ਮਾਡਲ ਨੂੰ ਸਖ਼ਤ ਪ੍ਰਮਾਣਿਕਤਾ (validation) ਤੋਂ ਲੰਘਣਾ ਪਵੇਗਾ। ਪ੍ਰਮਾਣੂ ਰੈਗੂਲੇਟਰ ਆਮ ਤੌਰ 'ਤੇ ਕਿਸੇ ਵੀ ਸੁਰੱਖਿਆ-ਮਹੱਤਵਪੂਰਨ ਸਾਫਟਵੇਅਰ ਲਈ ਦਹਾਕਿਆਂ ਦੇ ਸਾਬਤ ਕੀਤੇ ਪ੍ਰਦਰਸ਼ਨ ਦੀ ਮੰਗ ਕਰਦੇ ਹਨ, ਅਤੇ ਇੱਕ ਭੌਤਿਕ ਵਿਗਿਆਨ-ਜਾਣੂ AI ਅਜੇ ਵੀ ਆਪਣੇ ਟ੍ਰੇਨਿੰਗ ਡਾਟਾ ਦੀ ਗੁਣਵੱਤਾ 'ਤੇ ਨਿਰਭਰ ਕਰਦਾ ਹੈ। ਆਲੋਚਕ ਚੇਤਾਵਨੀ ਦਿੰਦੇ ਹਨ ਕਿ ਮਾਡਲ 'ਤੇ ਬਹੁਤ ਜ਼ਿਆਦਾ ਨਿਰਭਰਤਾ, ਭਾਵੇਂ