Mô hình và nền tảng AI

Các Thuật Toán Học Máy Có Thể Tăng Cường Năng Lượng Của Lò Phản Ứng Hạt Nhân

mm
Thêm Unite.AI vào các nguồn ưu tiên của bạn trên Google

Những nhà nghiên cứu từ Phòng thí nghiệm Quốc gia Sandia gần đây đã thiết kế các thuật toán học máy nhằm cải thiện năng lượng đầu ra của lò phản ứng hạt nhân. Đội ngũ nghiên cứu đã sử dụng các thuật toán AI để mô phỏng các tương tác giữa plasma và vật liệu trong tường của một lò phản ứng hạt nhân.

Không giống như phân hạch hạt nhân, liên quan đến việc chia tách các nguyên tử, năng lượng được tạo ra bởi phản ứng hợp hạch giải phóng năng lượng thông qua việc tạo ra plasma. Các nguyên tử hydro được siêu nóng để tạo ra một đám mây plasma và đám mây này giải phóng năng lượng khi các hạt trong nó va chạm và hợp nhất với nhau. Quá trình này là hỗn loạn, và nếu các nhà khoa học có thể kiểm soát tốt hơn quá trình hợp hạch, nó có thể dẫn đến sự tăng đáng kể về lượng năng lượng có thể sử dụng được tạo ra bởi lò phản ứng hạt nhân.

Các nhà nghiên cứu đang làm việc để giải quyết vấn đề này cần chạy các mô phỏng phức tạp về cách các tường buồng của lò phản ứng hạt nhân tương tác với đám mây plasma.

Theo Aidan Thompson, các thuật toán học máy đã làm cho việc giải quyết một vấn đề cực kỳ phức tạp trở nên khả thi. Thompson và các nhà nghiên cứu khác đã được Bộ Năng lượng Văn phòng Khoa học giao nhiệm vụ xác định cách các thuật toán học máy có thể cải thiện năng lượng đầu ra của lò phản ứng hạt nhân. Cho đến nay, không thể thực hiện các mô phỏng cấp nguyên tử của các tương tác này. Nhờ vào học máy, các thay đổi nhỏ trong plasma khi nó va chạm với tường giữ của lò phản ứng có thể được mô hình hóa.

Các thuật toán học máy excels trong việc tìm kiếm các mẫu trong dữ liệu, học các tính năng định nghĩa một đối tượng. Bởi vì các thuật toán học máy có thể áp dụng các mẫu mà chúng đã thấy trước đó để phân loại các sự kiện không nhìn thấy, chúng rất hữu ích trong việc loại bỏ nhiều thử nghiệm và lỗi trong quá trình tối ưu hóa quá trình hợp hạch. Thompson giải thích rằng khi plasma được tạo ra trong buồng hợp hạch, tường của lò phản ứng liên tục bị các hạt của các nguyên tố như heli, hydro và deuteri va chạm, vì các nguyên tố này tạo thành một đám mây plasma. Khi plasma va chạm với tường giữ của lò phản ứng, nó thay đổi tường theo những cách nhỏ nhưng có thể quan trọng. Thành phần của tường tự thay đổi đám mây plasma. Chu kỳ phản ứng này xảy ra ở nhiệt độ tương tự như nhiệt độ trên Mặt trời và chỉ kéo dài trong vài nano giây. Việc tối ưu hóa quá trình này liên quan đến một quá trình đau đớn của việc thay đổi các thành phần của tường lò phản ứng và sau đó đo trực tiếp cách kết quả thay đổi.

Thompson và các nhà nghiên cứu khác đã thiết lập để thử nghiệm với các tập dữ liệu lớn bao gồm các tính toán cơ học lượng tử, đào tạo một mô hình có thể dự đoán năng lượng của các cấu hình nguyên tử khác nhau. Kết quả là tiềm năng học máy liên nguyên tử (MLIAP). Các thuật toán có thể được sử dụng để kiểm tra các tương tác giữa một số lượng nguyên tử tương đối nhỏ, mở rộng mô hình lên hàng triệu cần thiết để mô phỏng các tương tác giữa các thành phần của quá trình hợp hạch. Theo Thompson, các mô hình mà đội nghiên cứu thiết kế yêu cầu hàng nghìn tham số để trở thành các mô phỏng hữu ích.

Để mô hình vẫn hữu ích, phải có sự chồng chéo đáng kể giữa các môi trường xuất hiện trong hợp hạch và dữ liệu đào tạo. Có một loạt các môi trường hợp hạch có thể xảy ra, vì vậy các nhà nghiên cứu sẽ phải liên tục thu thập dữ liệu và thực hiện các thay đổi đối với mô hình. Thomas giải thích qua Phys.org:

“Mô hình của chúng tôi ban đầu sẽ được sử dụng để giải thích các thí nghiệm nhỏ. Ngược lại, dữ liệu thí nghiệm đó sẽ được sử dụng để xác thực mô hình của chúng tôi, sau đó có thể được sử dụng để đưa ra dự đoán về những gì đang xảy ra trong một lò phản ứng hợp hạch quy mô đầy đủ.”

Các thuật toán chưa sẵn sàng để được sử dụng bởi các nhà nghiên cứu thực sự về hợp hạch hạt nhân vừa yet. Tuy nhiên, Thompson và đội nghiên cứu của ông là nhóm đầu tiên của các nhà nghiên cứu cố gắng áp dụng học máy vào vấn đề tường-plasma. Đội ngũ hy vọng rằng trong vài năm tới, các mô hình sẽ được sử dụng để thiết kế các lò phản ứng hợp hạch tốt hơn.

Blogger và lập trình viên với chuyên môn về Machine Learning Deep Learning topics. Daniel hy vọng giúp đỡ người khác sử dụng sức mạnh của AI cho lợi ích xã hội.