17-летний старшеклассник из Монтвейла, штат Нью-Джерси, использовал искусственный интеллект, чтобы сократить погрешность в прогнозах критического теплового потока для ядерных реакторов с 63 % до 5,5 %. Этот успех принес ему приз в размере 50 000 долларов и может повысить запасы безопасности в ядерных установках следующего поколения.

Почему важен критический тепловой поток

Критический тепловой поток (КТП) отмечает точку, в которой кипение на топливных стержнях реактора становится нестабильным, что создает риск резкого повышения температуры, способного повредить активную зону. Инженеры должны точно предсказывать КТП, чтобы поддерживать безопасную работу реакторов, извлекая при этом как можно больше энергии. Традиционные методы опираются на эмпирические зависимости, которые часто характеризуются большой неопределенностью; погрешность в 63 % вынуждает операторов работать в консервативном режиме — теряя потенциальную мощность — или приближаться к опасным пределам.

Физико-информированная нейронная сеть

Вместо того чтобы скармливать стандартной модели ИИ «сырые» данные, подросток создал физико-информированную систему машинного обучения. Сеть обучается на экспериментальных измерениях, но на каждом этапе она ограничена определяющими уравнениями термодинамики и гидродинамики. Заставляя модель соблюдать эти законы, он избегает ловушек «черного ящика», которые делают многие инструменты ИИ непригодными для высокорисковых инженерных задач. Результат: ошибка прогноза снизилась до 5,5 % — точность, которая позволит реакторам работать ближе к оптимальным показателям без ущерба для безопасности.

Последствия для атомной промышленности

  • Более безопасная эксплуатация — более точные прогнозы КТП снижают риск перегрева, вызванного кипением, что является ключевым предвестником серьезных аварий.
  • Повышение эффективности — операторы могут извлекать больше тепла до достижения пределов безопасности, повышая коэффициент использования установленной мощности (КИУМ) станции.
  • Ускоренное внедрение ММР — малые модульные реакторы (SMR), ценимые за гибкость и более низкие первоначальные затраты, зависят от передовых систем управления тепловыми процессами. Надежная модель ИИ может устранить одно из главных регуляторных препятствий.

Эти преимущества соответствуют глобальному стремлению к расширению использования низкоуглеродных источников энергии. Поскольку правительства выделяют миллиарды на строительство новых ядерных объектов, инструмент, обещающий как безопасность, так и эффективность, вероятно, вызовет интерес со стороны отрасли.

Скептицизм и практические препятствия

Даже при столь резком снижении погрешности модель все еще должна пройти строгую проверку, прежде чем коммерческий реактор сможет ей довериться. Ядерные регуляторы обычно требуют десятилетий подтвержденной работы любого программного обеспечения, критически важного для безопасности, а ИИ, учитывающий физику, все равно зависит от качества обучающих данных. Критики предупреждают, что чрезмерная зависимость от модели, какой бы точной она ни была в тестах, может скрыть непредвиденные режимы отказа, если фундаментальная физика изменится в экстремальных условиях.

Что это значит для Индии

Ядерная программа Индии расширяется в рамках многоэтапной стратегии, включающей ММР. Интеграция инструмента ИИ, учитывающего физические законы, может помочь Департаменту атомной энергии ужесточить анализ безопасности и улучшить экономику станций. Этот успех также подчеркивает более широкое движение «ИИ во благо» (AI for Good), стимулируя индийские исследовательские институты сочетать глубокие инженерные технологии с передовым машинным обучением. Наконец, это достижение подчеркивает потенциал талантов из диаспоры и необходимость в учебных программах, связывающих традиционную инженерию с наукой о данных.

За чем следить дальше

  • Пилотные исследования — первые пользователи могут запускать модель параллельно с существующими кодами безопасности в исследовательских реакторах для сбора данных о работе в реальных условиях.
  • Реакция регуляторов — органы ядерного надзора выпустят руководства о том, как прогнозы, улучшенные с помощью ИИ, могут быть включены в процессы лицензирования.
  • Коммерческий интерес — поставщики систем управления реакторами могут лицензировать эту технологию или разрабатывать конкурирующие физико-информированные модели.

Если модель пройдет эти испытания, она может стать стандартным компонентом пакетов проектирования реакторов, определяя то, как отрасль будет балансировать между безопасностью и выработкой энергии в ближайшие годы.

Вывод: Физико-информированный ИИ, созданный подростком, показал, что машинное обучение может перейти от простого сопоставления шаблонов в данных к статусу надежного инженерного инструмента, предлагая конкретный путь к более безопасной и эффективной ядерной энергетике — при условии, что отрасль сможет преодолеть разрыв между лабораторным успехом и признанием со стороны регуляторов.