Все отходы атомной электростанции за год можно хранить под столом. — Рональд Рейган

Синергия между искусственным интеллектом (ИИ) и ядерной физикой прокладывает путь к научному совершенству, революционизируя то, как мы понимаем и взаимодействуем со вселенной. Объединение этих двух областей не только способствует развитию научных исследований, но и стимулирует инновации в различных секторах.

ИИ с его способностью учиться и адаптироваться все чаще используется в ядерной физике для проведения сложных расчетов и моделирования. Огромный объем данных, генерируемых в экспериментах по ядерной физике, часто оказывается непосильным для традиционных вычислительных методов. Однако ИИ с его алгоритмами машинного обучения может эффективно обрабатывать эти данные, обнаруживая закономерности и корреляции, которые в противном случае могли бы остаться незамеченными.

Ядерная физика, изучение атомных ядер и их составляющих, — это область, требующая точных расчетов и предсказаний. ИИ, с его способностью учиться на данных и делать прогнозы, является бесценным инструментом в этом отношении. Алгоритмы машинного обучения можно обучать на данных ядерной физики, чтобы делать прогнозы ядерных реакций, поведения субатомных частиц и других явлений. Это не только ускоряет исследования, но и приводит к более точным результатам.

Более того, ИИ также может помочь в оптимизации конструкции и эксплуатации ядерных реакторов. Алгоритмы машинного обучения могут анализировать огромные объемы оперативных данных, чтобы прогнозировать потенциальные проблемы и предлагать решения. Это может значительно повысить безопасность и эффективность ядерных реакторов, снизить риск аварий и сделать ядерную энергию более жизнеспособным вариантом для производства электроэнергии.

Интеграция ИИ в ядерную физику также открывает новые возможности для исследований. Например, ИИ можно использовать для моделирования ядерных реакций, что дает представление о фундаментальных силах природы. Эти симуляции могут помочь физикам понять происхождение Вселенной и природу материи, внести свой вклад в наши коллективные знания и потенциально привести к новаторским открытиям.

Однако синергия между ИИ и ядерной физикой не лишена проблем. Сложность данных ядерной физики может затруднить эффективное обучение алгоритмов ИИ. Более того, использование ИИ в ядерной физике требует глубокого понимания обеих областей, что может стать барьером для входа. Тем не менее, потенциальные выгоды от этой синергии намного перевешивают проблемы.

Разработка, строительство и эксплуатация атомной электростанции, представляющей собой очень сложную систему интеграции человек-машина-сеть, по-прежнему сталкиваются со многими препятствиями и рисками. Во-первых, в процессе эксплуатации могут выйти из строя станционные приборы и оборудование, что повлияет на работоспособность и безопасность атомных электростанций. Во-вторых, несмотря на то, что атомные электростанции были переведены в цифровой формат после десятилетий разработки, большинство из них по-прежнему используют традиционные и неэффективные методы эксплуатации и управления. Наконец, из-за вышеуказанных причин и строгих требований к контролю люди-операторы находятся под большим давлением. В последние десятилетия искусственный интеллект (ИИ) и машинное обучение (МО), особенно методы, связанные с глубоким обучением, достигли большого прогресса и нашли широкое применение в компьютерном зрении, автоматическом управлении и других областях (Бакатор и Радосав, 2018 ; Singla et al., 2020; Taskiran et al., 2020; Usuga Cadavid et al., 2020). В настоящее время многие исследователи начали применять ИИ в области ядерной энергетики для преодоления вышеуказанных препятствий и рисков. Потенциальные сценарии применения включают разработку программного обеспечения для атомной энергетики (Bao et al., 2019; Liu et al., 2019), прогностику оборудования и управление здоровьем (Zhao et al., 2021; Zhong and Ban, 2022). ), оптимизация конструкции реактора (Кумар и Цветков, 2015; Туркмен и др., 2021), автономное управление и эксплуатация реактора (Уилсон, 2019; Ли и др., 2020; Лин и др. , 2021), а также анализ ядерной безопасности и управление авариями (Zeng et al., 2018; Chung, 2021). В этой теме рассматривается применение новейших технологий искусственного интеллекта в ядерной энергетике для продвижения исследований, обмена и разработок.

Мы собрали две статьи об искусственном интеллекте для разработки программного обеспечения для атомной энергетики: Dong et al. и Ву и др. В работе Донга была предложена модель, основанная на данных нейронной сети, для прогнозирования диаметра выхода пузырьков в переохлажденном кипящем потоке. Модель основана на механистических моделях вылета пузырьков и использует безразмерные числа в качестве входных данных, тем самым демонстрируя хорошие возможности обобщения для широкого диапазона условий потока.

Мы собрали три статьи по интеллектуальной прогностике и управлению состоянием оборудования завода: Fan et al., He et al. и Yao et al.. Работа Фэна была сосредоточена на обнаружении усталости стеклометаллических уплотнений на атомных электростанциях с помощью спектральной характеристики датчиков на волоконной брэгговской решетке (ВБР). Спектральная реакция на неравномерное распределение деформации в соединении стекло-металл точно реконструируется на основе модели матрицы переноса, а асимметричная деформация, вызванная условиями усталости, эффективно обнаруживается по изменениям сдвига длины волны Брэгга и полной ширины на половине максимума.

Мы собрали четыре статьи по ИИ для оптимизации конструкции реактора: Певи и др., Чжан и др., Ю и др. и Ли и др.. В работе Хайнса была предложена суррогатная модель на основе сверточной нейронной сети для оптимизации конфигураций источника быстрых нейтронов. Их новый алгоритм дал более жизнеспособные конструкции, которые значительно улучшили целевую функцию, используя те же вычислительные ресурсы, по сравнению со стандартным многокритериальным генетическим алгоритмом NSGA-II.

Мы собрали три статьи по ИИ для анализа ядерной безопасности и управления авариями: Гонг и др., Донг и др. и Саллехудин и Диаб. С помощью модели глубокого обучения под названием zLSTM работа Гонга была сосредоточена на прогнозировании многомерных временных рядов для развития LOCA. zLSTM построен путем введения улучшенной функции вентиля Zigmoid в исходную модель LSTM, что позволяет полностью охватить нелинейность, как кратковременную, так и долговременную память, а также несколько системных параметров для более точного прогнозирования LOCA.

Поскольку в последние годы развитие технологий ИИ ускорилось, атомная промышленность начала искать потенциал ИИ для разработки кода, интеллектуальной эксплуатации и обслуживания в режиме реального времени, оптимизации конструкции реактора, анализа безопасности и управления авариями. Индустрия последует этому примеру, если ИИ продемонстрирует сильные возможности в исследованиях. В исследованиях ИИ данные как носитель знаний играют доминирующую роль в работе моделей ИИ и машинного обучения. Однако данных, содержащих достоверную информацию, в атомной отрасли мало. В предстоящий период основное внимание следует уделить тому, как сделать искусственный интеллект эффективным на практике в условиях небольшой выборки, дисбаланса выборки и сильного шума. Это может быть долгосрочной задачей, но в конце концов все усилия окупятся. В будущем, благодаря широкому применению технологий искусственного интеллекта, вся цепочка атомной отрасли станет более интеллектуальной.

В заключение можно сказать, что синергия между ИИ и ядерной физикой — это путь к научному совершенству. Он способствует развитию исследований, повышению безопасности и эффективности ядерных реакторов и открывает новые возможности для исследований. По мере того, как мы продолжаем исследовать эту синергию, мы можем ожидать еще более захватывающих разработок в будущем. Это свидетельство силы междисциплинарного сотрудничества и безграничного потенциала человеческой изобретательности. Поскольку мы стоим на пороге этой новой эры научных исследований, становится ясно, что слияние ИИ и ядерной физики будет продолжать формировать наше понимание Вселенной и стимулировать инновации в различных секторах.