17-річний учень старшої школи з Монтвейла, штат Нью-Джерсі, використав штучний інтелект, щоб скоротити похибку в прогнозах критичного теплового потоку для ядерних реакторів із 63 % до 5,5 %. Цей успіх приніс йому приз у розмірі 50 000 доларів і може посилити межі безпеки в ядерних установках наступного покоління.

Чому критичний тепловий потік має значення

Критичний тепловий потік (КТП) позначає момент, коли кипіння на паливних стрижнях реактора стає нестабільним, що створює ризик швидкого підвищення температури, яке може пошкодити активну зону. Інженери повинні точно прогнозувати КТП, щоб підтримувати безпечну роботу реакторів, витягуючи при цьому якомога більше енергії. Традиційні методи покладаються на емпіричні кореляції, які часто мають велику невизначеність; похибка у 63 % змушує операторів працювати консервативно — марнуючи потенційну потужність — або наближатися занадто близько до небезпечних меж.

Фізико-інформована нейронна мережа

Замість того, щоб подавати в загальну модель ШІ необроблені дані, підліток створив систему машинного навчання, що базується на фізичних принципах. Мережа навчається на основі експериментальних вимірювань, але на кожному етапі вона обмежена рівняннями термодинаміки та гідродинаміки. Змушуючи модель дотримуватися цих законів, він уникає пасток «чорної скриньки», які роблять багато інструментів ШІ непридатними для високоризикованого інженерного проектування. Результат: похибка прогнозу падає до 5,5 % — точність, яка може дозволити реакторам працювати ближче до оптимальної продуктивності без компромісів із безпекою.

Наслідки для ядерної промисловості

  • Більш безпечна експлуатація – точніші прогнози КТП знижують ризик перегріву, спричиненого кипінням, що є ключовим попередником серйозних аварій.
  • Вища ефективність – оператори можуть витягувати більше тепла до досягнення меж безпеки, підвищуючи коефіцієнт використання встановленої потужності станції.
  • Прискорене впровадження ММР – малі модульні реактори (SMRs), які цінуються за гнучкість і нижчу початкову вартість, залежать від передового управління тепловими процесами. Надійна модель ШІ могла б усунути одну з головних регуляторних перешкод.

Ці переваги узгоджуються з глобальним прагненням до розширення джерел низьковуглецевої енергії. Оскільки уряди виділяють мільярди на будівництво нових ядерних об'єктів, інструмент, що обіцяє як безпеку, так і ефективність, ймовірно, приверне інтерес галузі.

Скептицизм та практичні перешкоди

Навіть за умови драматичного зменшення похибки, модель все ще має пройти сувору перевірку, перш ніж комерційному реактору можна буде їй довіряти. Ядерні регулятори зазвичай вимагають десятиліть підтвердженої роботи будь-якого програмного забезпечення, критичного для безпеки, а ШІ, що враховує фізику, все одно залежить від якості його навчальних даних. Критики попереджають, що надмірна довіра до моделі, якою б точною вона не була в тестах, може приховати непередбачені режими відмови, якщо фундаментальна фізика зміниться в екстремальних умовах.

Що це означає для Індії

Ядерна програма Індії розширюється в межах багатоетапної стратегії, яка включає ММР. Інтеграція інструменту ШІ, що враховує фізичні закони, могла б допомогти Департаменту атомної енергії посилити аналіз безпеки та покращити економіку станцій. Цей успіх також підкреслює ширший рух «ШІ на благо» (AI for Good), заохочуючи індійські дослідницькі інститути поєднувати глибокі технології (deep-tech) з передовим машинним навчанням. Нарешті, це досягнення підкреслює потенціал талантів діаспори та потребу в навчальних програмах, що поєднують традиційну інженерію з наукою про дані.

За чим спостерігати далі

  • Пілотні дослідження – перші користувачі можуть запускати модель паралельно з існуючими кодами безпеки в тестових реакторах, щоб зібрати дані про роботу в реальних умовах.
  • Регуляторна реакція – органи ядерного нагляду видадуть настанови щодо того, як прогнози з використанням ШІ можуть бути включені в ліцензування.
  • Комерційний інтерес – постачальники систем управління реакторами можуть ліцензувати цю технологію або розробляти конкуруючі фізико-інформовані моделі.

Якщо модель пройде ці випробування, вона може стати стандартним компонентом пакетів проектування реакторів, визначаючи те, як галузь балансуватиме між безпекою та продуктивністю протягом наступних років.

Висновок: Створений підлітком ШІ з фізичним керуванням продемонстрував, що машинне навчання може перейти від простого зіставлення патернів у даних до надійного інженерного інструменту, пропонуючи конкретний шлях до безпечнішої та ефективнішої ядерної енергетики — за умови, що галузь зможе подолати розрив між лабораторним успіхом і регуляторним визнанням.