17-letni uczeń szkoły średniej z Montvale w stanie New Jersey wykorzystał sztuczną inteligencję, aby zredukować margines błędu w prognozach strumienia ciepła krytycznego dla reaktorów jądrowych z 63% do 5,5%. To osiągnięcie przyniosło mu nagrodę w wysokości 50 000 USD i może poprawić marginesy bezpieczeństwa w reaktorach nowej generacji.

Dlaczego strumień ciepła krytycznego jest ważny

Strumień ciepła krytycznego (CHF) wyznacza punkt, w którym wrzenie na prętach paliwowych reaktora staje się niestabilne, co grozi gwałtownym wzrostem temperatury mogącym uszkodzić rdzeń. Inżynierowie muszą precyzyjnie przewidywać CHF, aby reaktory mogły pracować bezpiecznie, jednocześnie wydobywając jak najwięcej energii. Tradycyjne metody opierają się na korelacjach empirycznych, które często obarczone są dużym błędem; margines błędu wynoszący 63% zmusza operatorów do zachowywania nadmiernej ostrożności – co marnuje potencjalną moc – lub zbliżania się zbyt blisko niebezpiecznych granic.

Sieć neuronowa kierowana fizyką

Zamiast karmić ogólny model AI surowymi danymi, nastolatek zbudował system uczenia maszynowego oparty na prawach fizyki (physics-informed). Sieć uczy się na podstawie pomiarów eksperymentalnych, ale na każdym kroku jest ograniczana przez równania termodynamiki i dynamiki płynów. Poprzez wymuszenie na modelu przestrzegania tych praw, unika on pułapek „czarnej skrzynki”, które sprawiają, że wiele narzędzi AI jest nieprzydatnych w inżynierii wysokiego ryzyka. Rezultat: błąd prognozy spada do 5,5%, co stanowi precyzję pozwalającą reaktorom pracować bliżej optymalnej wydajności bez narażania bezpieczeństwa.

Implikacje dla przemysłu jądrowego

  • Bezpieczniejsza eksploatacja – dokładniejsze prognozy CHF zmniejszają ryzyko przegrzania wywołanego wrzeniem, co jest kluczowym zwiastunem poważnych awarii.
  • Wyższa wydajność – operatorzy mogą odbierać więcej ciepła przed osiągnięciem limitów bezpieczeństwa, co zwiększa współczynnik wykorzystania mocy elektrowni.
  • Przyspieszenie wdrażania SMR – Małe Reaktory Modularne (SMR), cenione za elastyczność i niższe koszty początkowe, zależą od zaawansowanego zarządzania termicznego. Niezawodny model AI mógłby usunąć jedną z głównych przeszkód regulacyjnych.

Te korzyści wpisują się w globalny trend rozszerzania źródeł energii niskoemisyjnej. W miarę jak rządy przeznaczają miliardy na nowe budowy jądrowe, narzędzie obiecujące zarówno bezpieczeństwo, jak i wydajność, prawdopodobnie przyciągnie zainteresowanie branży.

Sceptycyzm i praktyczne przeszkody

Nawet przy tak drastycznej redukcji błędu, model musi przejść rygorystyczną walidację, zanim można mu zaufać w komercyjnym reaktorze. Organy regulacyjne ds. energii jądrowej zazwyczaj wymagają dekad udokumentowanej wydajności dla każdego oprogramowania krytycznego dla bezpieczeństwa, a AI uwzględniająca fizykę wciąż zależy od jakości danych treningowych. Krytycy ostrzegają, że nadmierne poleganie na modelu, niezależnie od jego dokładności w testach, może maskować nieprzewidziane tryby awarii, jeśli podstawowe procesy fizyczne ulegną zmianie w ekstremalnych warunkach.

Co to oznacza dla Indii

Program jądrowy Indii rozwija się w ramach wieloetapowej strategii, która obejmuje SMR. Integracja narzędzia AI uwzględniającego fizykę mogłaby pomóc Departamentowi Energii Atomowej (Department of Atomic Energy) w uszczelnieniu analiz bezpieczeństwa i poprawie ekonomiki elektrowni. Sukces ten podkreśla również szerszy ruch „AI for Good”, zachęcający indyjskie instytucje badawcze do łączenia inżynierii deep-tech z zaawansowanym uczeniem maszynowym. Wreszcie, osiągnięcie to uwypukla potencjał talentów z diaspory oraz potrzebę programów nauczania, które łączą tradycyjną inżynierię z nauką o danych (data science).

Na co warto zwrócić uwagę

  • Badania pilotażowe – pierwsi użytkownicy mogą uruchamiać model równolegle z istniejącymi kodami bezpieczeństwa w reaktorach badawczych, aby zebrać dane o wydajności w rzeczywistych warunkach.
  • Reakcja regulatorów – organy nadzoru jądrowego wydadzą wytyczne dotyczące tego, jak prognozy wspomagane przez AI mogą być włączane do procesów licencjonowania.
  • Zainteresowanie komercyjne – dostawcy systemów sterowania reaktorami mogą licencjonować tę technologię lub opracowywać konkurencyjne modele oparte na fizyce.

Jeśli model przejdzie te testy, może stać się standardowym elementem pakietów projektowych reaktorów, kształtując sposób, w jaki branża będzie balansować między bezpieczeństwem a wydajnością przez lata.

Podsumowanie: AI kierowana fizyką stworzona przez nastolatka pokazała, że uczenie maszynowe może ewoluować z prostego dopasowywania wzorców w danych w zaufane narzędzie inżynieryjne, oferując konkretną ścieżkę do bezpieczniejszej i wydajniejszej energii jądrowej – pod warunkiem, że branża zdoła pokonać przepaść między sukcesem laboratoryjnym a akceptacją regulacyjną.