Một học sinh trung học 17 tuổi đến từ Montvale, New Jersey, đã sử dụng trí tuệ nhân tạo để cắt giảm biên độ sai số trong các dự báo dòng nhiệt tới hạn (CHF) quan trọng cho các lò phản ứng hạt nhân từ 63% xuống còn 5,5%. Thành tựu này đã mang về cho cậu giải thưởng trị giá 50.000 USD và có thể thắt chặt các biên độ an toàn trong thế hệ nhà máy hạt nhân tiếp theo.

Tại sao dòng nhiệt tới hạn lại quan trọng

Dòng nhiệt tới hạn (CHF) đánh dấu thời điểm quá trình sôi trên các thanh nhiên liệu của lò phản ứng trở nên mất ổn định, gây nguy cơ tăng nhiệt độ nhanh chóng có thể làm hỏng lõi lò. Các kỹ sư phải dự báo CHF một cách chính xác để giữ cho các lò phản ứng hoạt động an toàn trong khi vẫn khai thác được nhiều năng lượng nhất có thể. Các phương pháp truyền thống dựa vào các tương quan thực nghiệm thường mang lại những sai số lớn; biên độ sai số 63% buộc các nhà vận hành phải hoạt động một cách thận trọng—lãng phí công suất tiềm năng—hoặc đẩy quá gần đến các giới hạn không an toàn.

Một mạng thần kinh hướng vật lý

Thay vì cung cấp cho một mô hình AI thông thường các dữ liệu thô, cậu thiếu niên này đã xây dựng một hệ thống học máy dựa trên vật lý (physics-informed machine-learning). Mạng lưới này học từ các phép đo thực nghiệm nhưng bị ràng buộc ở mọi bước bởi các phương trình chi phối của nhiệt động lực học và động lực học chất lưu. Bằng cách buộc mô hình phải tuân thủ các định luật đó, nó tránh được những nhược điểm của kiểu "hộp đen" vốn khiến nhiều công cụ AI không phù hợp cho các kỹ thuật có rủi ro cao. Kết quả là: sai số dự báo giảm xuống còn 5,5%, một độ chính xác có thể cho phép các lò phản ứng hoạt động gần với hiệu suất tối ưu hơn mà không làm ảnh hưởng đến an toàn.

Tác động đối với ngành công nghiệp hạt nhân

  • Vận hành an toàn hơn – các dự báo CHF chặt chẽ hơn giúp giảm nguy cơ quá nhiệt do hiện tượng sôi, một tiền đề chính dẫn đến các tai nạn nghiêm trọng.
  • Hiệu suất cao hơn – các nhà vận hành có thể khai thác nhiều nhiệt hơn trước khi chạm đến các giới hạn an toàn, giúp tăng hệ số công suất của nhà máy.
  • Đẩy nhanh việc triển khai SMRs – Các lò phản ứng mô-đun nhỏ (SMRs), vốn được ca ngợi vì tính linh hoạt và chi phí đầu tư ban đầu thấp, phụ thuộc vào việc quản lý nhiệt tiên tiến. Một mô hình AI đáng tin cậy có thể tháo gỡ một trong những rào cản pháp lý chính.

Những lợi ích này phù hợp với nỗ lực toàn cầu nhằm mở rộng các nguồn năng lượng carbon thấp. Khi các chính phủ dành hàng tỷ đô la cho việc xây dựng các nhà máy hạt nhân mới, một công cụ hứa hẹn cả sự an toàn và hiệu quả sẽ có khả năng thu hút sự quan tâm của ngành công nghiệp.

Sự hoài nghi và các rào cản thực tế

Ngay cả với việc giảm sai số đáng kể, mô hình vẫn phải vượt qua các bước kiểm chứng nghiêm ngặt trước khi một lò phản ứng thương mại có thể tin dùng nó. Các cơ quan quản lý hạt nhân thường yêu cầu hiệu suất đã được chứng minh qua nhiều thập kỷ đối với bất kỳ phần mềm quan trọng nào về an toàn, và một AI nhận thức vật lý vẫn phụ thuộc vào chất lượng dữ liệu đào tạo của nó. Các nhà phê bình cảnh báo rằng việc quá phụ thuộc vào một mô hình, dù chính xác trong các thử nghiệm, có thể che giấu các chế độ lỗi không lường trước được nếu các đặc tính vật lý cơ bản thay đổi trong các điều kiện khắc nghiệt.

Điều này có ý nghĩa gì đối với Ấn Độ

Chương trình hạt nhân của Ấn Độ đang mở rộng theo một chiến lược đa giai đoạn bao gồm cả SMRs. Việc tích hợp một công cụ AI nhận thức vật lý có thể giúp Bộ Năng lượng Nguyên tử thắt chặt các phân tích an toàn và cải thiện tính kinh tế của nhà máy. Thành công này cũng nhấn mạnh nỗ lực "AI vì lợi ích cộng đồng" (AI for Good) rộng lớn hơn, khuyến khích các viện nghiên cứu của Ấn Độ kết hợp kỹ thuật công nghệ sâu (deep-tech) với học máy tiên tiến. Cuối cùng, thành tựu này làm nổi bật tiềm năng của tài năng từ cộng đồng kiều bào và nhu cầu về các chương trình giảng dạy kết nối kỹ thuật truyền thống với khoa học dữ liệu.

Những điều cần theo dõi tiếp theo

  • Các nghiên cứu thí điểm – những người tiên phong có thể chạy mô hình song song với các mã an toàn hiện có trong các lò phản ứng thử nghiệm để thu thập dữ liệu hiệu suất thực tế.
  • Phản ứng của cơ quan quản lý – các cơ quan giám sát hạt nhân sẽ đưa ra hướng dẫn về cách tích hợp các dự báo tăng cường bởi AI vào việc cấp phép.
  • Sự quan tâm thương mại – các nhà cung cấp hệ thống điều khiển lò phản ứng có thể mua bản quyền công nghệ hoặc phát triển các mô hình hướng vật lý cạnh tranh.

Nếu mô hình vượt qua được các thử nghiệm này, nó có thể trở thành một thành phần tiêu chuẩn trong các gói thiết kế lò phản ứng, định hình cách ngành công nghiệp cân bằng giữa an toàn và sản lượng trong nhiều năm tới.

Điểm mấu chốt: Một AI hướng vật lý của một thiếu niên đã cho thấy học máy có thể chuyển đổi từ việc chỉ khớp các mẫu dữ liệu sang một công cụ kỹ thuật đáng tin cậy, mở ra một con đường cụ thể hướng tới năng lượng hạt nhân an toàn và hiệu quả hơn—với điều kiện ngành công nghiệp có thể thu hẹp khoảng cách giữa thành công trong phòng thí nghiệm và sự chấp thuận của các cơ quan quản lý.