在这个人工智能设计的沸水反应堆中，燃料棒位置经过了数万次模拟优化，其使用寿命能够延长5%左右。如果将设计扩大到整个反应堆，每年可节约近300万美元。
在美国，核能提供的无碳电能已经超过了太阳能和风能的总和，成为应对气候变化的关键力量。然而，核电机组面临着老化问题，为与燃煤、燃气发电厂竞争，运营商亟需减轻运营压力。削减成本的重点是反应堆堆芯——如果工程师能将驱动核反应的燃料棒放置在理想位置，其燃料消耗量将更少，所需的维护费用也更低。经过几十年的反复试验，核能工程师们已经学会了如何优化燃料棒布局，以尽量延长燃料棒寿命。现在，人工智能技术将提供额外助力。
techxplore.com网站当地时间12月18日报道，美国麻省理工学院（MIT）和艾斯能公司的研究人员将布局设计过程转化为游戏，训练人工智能系统计算出了多组最佳燃料棒布局配置。这些布局能让每个燃料棒的寿命延长约5%，每年为运营商节约近300万美元成本。此外，人工智能系统还能比人类更快地找出最优解决方案，并在安全的模拟环境中完成设计的快速修改。相关研究成果刊登在《核工程与设计》杂志中。
“这项技术可以应用于任何一个核反应堆。”论文作者、MIT核科学与工程助理教授Koroush Shirvan说，“通过提高核能发电的经济效益，我们能够为全球节能减排贡献力量，吸引优秀的年轻学者进入这一重要的清洁能源领域。”
在一个典型反应堆中，根据铀和氧化钆的水平，燃料棒像棋盘上的棋子一般被排布在网格中。其中，放射性铀对反应有驱动作用，而氧化钆则能减缓反应。在理想的燃料棒布局中，相互竞争的两种反应达到平衡态，从而有效驱动系统反应。工程师们曾尝试用传统算法改进设计布局，但仅一个标准系统（100根燃料棒）产生的待评估设计数量都能达到天文数字。
深度强化学习（DRL）是一种结合了深度神经网络与强化学习特点的人工智能技术，已在国际象棋和围棋等游戏中取得惊人成绩。在新研究中，研究人员训练DRL系统在一系列限制条件下对燃料棒进行配置，每走对一步（比如将可燃读物棒数量限制在16至18之间），“游戏”积分就会增加。
“在加入配置规则后，神经网络开始采取相当有效的行动。”论文作者、Shirvan实验室博士后研究员Majdi Radaideh说，“系统不是在随机过程中浪费时间。它们是在学着像人类玩游戏那样‘冲击高分’。”
论文作者、MIT智力探索项目科学家Joshua Joseph补充，“这项研究展示了DRL在现实世界的应用潜质。它不仅可以用于桌面游戏，还能帮助人类解决实际问题。”
目前，艾斯能公司正在虚拟环境中检测人工智能系统测试版的性能。作为核能巨头，艾斯能公司在全美运营着21个核反应堆。该公司的发言人表示，艾斯能公司或将于1~2年内部署该系统。
科界原创
编译：德克斯特 审稿：西莫 责编：陈之涵
期刊来源：《核工程与设计》
期刊编号：0029-5493
原文链接：https://techxplore.com/news/2020-12-cheaper-nuclear-energy-game.html
版权声明：本文由科界平台原创编译，中文内容仅供参考，一切内容以英文原版为准。转载请注明来源科技工作者之家—科界App。
