17-Year-Old Cuts Nuclear Heat-Flux Error From 63% to 5.5% Using Physics-Guided AI

நியூ ஜெர்சியின் மான்ட்வேலைச் சேர்ந்த 17 வயது உயர்நிலைப் பள்ளி மாணவர், அணு உலைகளுக்கான முக்கியமான வெப்பப் பாய்வு (critical heat flux) கணிப்புகளில் உள்ள பிழை வரம்பை 63%-லிருந்து 5.5%-ஆகக் குறைக்க செயற்கை நுண்ணறிவைப் பயன்படுத்தினார். இந்தச் சாதனை அவருக்கு $50,000 பரிசைப் பெற்றுத் தந்ததுடன், அடுத்த தலைமுறை அணு உலைகளின் பாதுகாப்பு வரம்புகளை மேம்படுத்தவும் உதவும்.

முக்கியமான வெப்பப் பாய்வு ஏன் முக்கியமானது

முக்கிய வெப்பப் பாய்வு (Critical heat flux - CHF) என்பது ஒரு அணு உலையின் எரிபொருள் தண்டுகளில் கொதித்தல் நிலையற்றதாக மாறும் புள்ளியைக் குறிக்கிறது; இது வெப்பம் மிக வேகமாக உயர்ந்து உலையின் மையப்பகுதியை (core) சேதப்படுத்தும் அபாயத்தை ஏற்படுத்துகிறது. உலைகளைப் பாதுகாப்பாக இயக்கும் அதே வேளையில், அதிகபட்ச ஆற்றலைத் தொடர்ந்து பிரித்தெடுக்க பொறியாளர்கள் CHF-ஐத் துல்லியமாகக் கணிக்க வேண்டும். பாரம்பரிய முறைகள் பெரும்பாலும் அனுபவ ரீதியான தொடர்புகளை (empirical correlations) நம்பியுள்ளன, அவை பெரும்பாலும் பெரிய நிச்சயமற்ற தன்மைகளைக் கொண்டுள்ளன; 63% பிழை வரம்பு என்பது இயக்குபவர்களைப் பாதுகாப்பான முறையில் மிகக் குறைந்த ஆற்றலை மட்டும் பயன்படுத்தத் தூண்டுகிறது அல்லது பாதுகாப்பற்ற எல்லைகளுக்கு மிக அருகில் செல்லச் செய்கிறது.

இயற்பியல் வழிகாட்டியுடன் கூடிய நரம்பியல் வலைப்பின்னல்

ஒரு பொதுவான AI மாதிரியில் வெறும் தரவுகளை மட்டும் உள்ளிடுவதற்குப் பதிலாக, அந்த மாணவர் இயற்பியல் சார்ந்த இயந்திரக் கற்றல் (physics-informed machine-learning) அமைப்பை உருவாக்கினார். இந்த வலைப்பின்னல் சோதனை அளவீடுகளிலிருந்து கற்றுக்கொள்கிறது, ஆனால் வெப்ப இயக்கவியல் (thermodynamics) மற்றும் திரவ இயக்கவியல் (fluid dynamics) விதிகளால் ஒவ்வொரு நிலையிலும் கட்டுப்படுத்தப்படுகிறது. அந்த விதிகளுக்குக் கட்டுப்பட மாதிரியைத் தூண்டுவதன் மூலம், பல AI கருவிகளை உயர்-அபாயப் பொறியியல் பணிகளுக்குப் பொருத்தமற்றதாக மாற்றும் "கருப்புப் பெட்டி" (black-box) சிக்கல்களை இது தவிர்க்கிறது. இதன் விளைவாக: கணிப்புப் பிழை 5.5%-ஆகக் குறைகிறது, இந்தத் துல்லியம் பாதுகாப்புடன் சமரசம் செய்யாமல் அணு உலைகளைச் சிறந்த முறையில் இயக்க உதவும்.

அணுசக்தித் துறைக்கான தாக்கங்கள்

• பாதுகாப்பான இயக்கம் – துல்லியமான CHF கணிப்புகள், கொதிப்பினால் ஏற்படும் அதிகப்படியான வெப்பமடைதலைக் குறைக்கின்றன; இது கடுமையான விபத்துகளுக்கு முக்கியக் காரணமாகும்.
• அதிக செயல்திறன் – பாதுகாப்பு வரம்புகளை எட்டுவதற்கு முன்பே இயக்குபவர்கள் அதிக வெப்பத்தைப் பிரித்தெடுக்க முடியும், இது ஆலையின் திறன் காரணியை (capacity factor) அதிகரிக்கும்.
• SMR-களின் விரைவான பயன்பாடு – நெகிழ்வுத்தன்மை மற்றும் குறைந்த ஆரம்பச் செலவிற்காகப் பாராட்டப்படும் சிறிய மட்டுப்படுத்தப்பட்ட அணு உலைகள் (Small Modular Reactors - SMRs), மேம்பட்ட வெப்ப மேலாண்மையைச் சார்ந்துள்ளன. நம்பகமான AI மாதிரி முக்கிய ஒழுங்குமுறைத் தடைகளில் ஒன்றைத் தகர்க்கக்கூடும்.

இந்த நன்மைகள் குறைந்த கார்பன் ஆற்றல் ஆதாரங்களை விரிவுபடுத்துவதற்கான உலகளாவிய முயற்சியுடன் ஒத்துப்போகின்றன. அரசாங்கங்கள் புதிய அணு உலை கட்டுமானத்திற்காக பில்லியன் கணக்கான டாலர்களை ஒதுக்கும் நிலையில், பாதுகாப்பு மற்றும் செயல்திறன் இரண்டையும் உறுதி செய்யும் ஒரு கருவி தொழில்துறையின் ஆர்வத்தை ஈர்க்கும்.

சந்தேகம் மற்றும் நடைமுறைத் தடைகள்

பிழை விகிதத்தில் ஏற்பட்டுள்ள வியக்கத்தக்க குறைவினால் கூட, ஒரு வணிக ரீதியான அணு உலையை நம்புவதற்கு முன் இந்த மாதிரி கடுமையான சரிபார்ப்புகளைத் தாண்ட வேண்டும். அணுசக்தி ஒழுங்குமுறை அமைப்புகள் பொதுவாகப் பாதுகாப்பு சார்ந்த எந்தவொரு மென்பொருளுக்கும் பல தசாப்த காலச் செயல்பாட்டுத் தரவுகளைக் கோருகின்றன; மேலும் இயற்பியல் சார்ந்த AI என்பது அதன் பயிற்சித் தரவின் (training data) தரத்தைச் சார்ந்துதான் உள்ளது. சோதனைகளில் எவ்வளவு துல்லியமாக இருந்தாலும், ஒரு மாதிரியை அளவுக்கு அதிகமாகச் சார்ந்திருப்பது, தீவிரச் சூழல்களில் அடிப்படை இயற்பியல் மாறும்போது எதிர்பாராத தோல்விகளை மறைக்கக்கூடும் என்று விமர்சகர்கள் எச்சரிக்கின்றனர்.

இது இந்தியாவிற்கு எதைக் குறிக்கிறது

இந்தியாவின் அணுசக்தித் திட்டம் SMR-களை உள்ளடக்கிய பல கட்ட உத்தியின் கீழ் விரிவடைந்து வருகிறது. இயற்பியல் சார்ந்த AI கருவியை ஒருங்கிணைப்பது அணுசக்தித் துறை (Department of Atomic Energy) பாதுகாப்பு ஆய்வுகளைத் துல்லியமாக்கவும், ஆலையின் பொருளாதாரத்தை மேம்படுத்தவும் உதவும். இந்த வெற்றி, இந்திய ஆராய்ச்சி நிறுவனங்கள் மேம்பட்ட இயந்திரக் கற்றலுடன் ஆழமான தொழில்நுட்பப் பொறியியலை (deep-tech engineering) இணைப்பதை ஊக்குவிக்கும் "AI for Good" என்ற பரந்த முயற்சியையும் அடிக்கோடிட்டுக் காட்டுகிறது. இறுதியாக, இந்தச் சாதனை புலம்பெயர்ந்த மக்களின் திறமையையும், பாரம்பரியப் பொறியியலைத் தரவு அறிவியலுடன் இணைக்கும் பாடத்திட்டங்களின் அவசியத்தையும் எடுத்துக்காட்டுகிறது.

அடுத்து எதைக் கவனிக்க வேண்டும்

• முன்னோடி ஆய்வுகள் (Pilot studies) – ஆரம்பகாலப் பயனர்கள் நிஜ உலகச் செயல்பாட்டுத் தரவுகளைச் சேகரிக்க, சோதனை அணு உலைகளில் தற்போதுள்ள பாதுகாப்பு குறியீடுகளுடன் இம் மாதிரியைச் சேர்த்து இயக்கலாம்.
• ஒழுங்குமுறைப் பதில் – AI மூலம் மேம்படுத்தப்பட்ட கணிப்புகளை உரிமப் பெறுதலில் (licensing) எவ்வாறு இணைக்கலாம் என்பது குறித்த வழிகாட்டுதல்களை அணுசக்தி மேற்பார்வை அமைப்புகள் வழங்கும்.
• வணிக ஆர்வம் – அணு உலை கட்டுப்பாட்டு அமைப்புகளின் விற்பனையாளர்கள் இந்தத் தொழில்நுட்பத்தைப் பெற உரிமம் பெறலாம் அல்லது இணக்கமான இயற்பியல் சார்ந்த மாதிரிகளை உருவாக்கலாம்.

இந்தச் சோதனைகளில் இம் மாதிரி வெற்றி பெற்றால், அது அணு உலை வடிவமைப்புத் தொகுதிகளின் ஒரு நிலையான அங்கமாக மாறி, வரும் ஆண்டுகளில் தொழில்துறை எவ்வாறு பாதுகாப்பு மற்றும் உற்பத்தியை சமநிலைப்படுத்துகிறது என்பதைத் தீர்மானிக்கும்.

முக்கியக் கருத்து: ஒரு இளைஞரின் இயற்பியல் வழிகாட்டியுடன் கூடிய AI, இயந்திரக் கற்றல் என்பது வெறும் தரவு சார்ந்த வடிவங்களைக் கண்டறிவதிலிருந்து மாறி, ஒரு நம்பகமான பொறியியல் கருவியாக மாற முடியும் என்பதை நிரூபித்துள்ளது. தொழில்துறை ஆய்வக வெற்றிக்கும் ஒழுங்குமுறை ஏற்புக்கும் இடையிலான இடைவெளியைக் கடந்துவிட்டால், பாதுகாப்பான மற்றும் திறமையான அணுசக்திக்கு இது ஒரு உறுதியான பாதையை வழங்கும்.