美国正在运行的核反应堆已经步入退役期，这些反应堆建于数十年前，使用的是20世纪中叶的技术，它们提供了安全可靠的电力，但其产生的废物也必须得到妥善处理。这些老旧的反应堆主要采用水冷，而目前最先进的快中子反应堆使用液态金属冷却剂，在此项技术的加持下，反应堆排放的几乎所有废燃料都可以重复利用。由于美国在20世纪70年代后几乎停止了新的商业核电站的建设，快中子反应堆尚未进行商业化探索。一个快中子反应堆从概念到设计到建造，最后投入运行，需要数年甚至数十年的精心规划。所有这些都是为了确保特定的反应堆设计是安全和稳定的，以便向监管机构提交全面的安全分析。

未来的反应堆将更加依赖先进的建模和仿真，现在通过使用人工智能（AI）和机器学习方法来强化这一技术。这是一种关键能力，美国能源部阿贡国家实验室的计算科学家在这方面有丰富的经验。凭借来自不同技术领域的专业技术人员（包括计算机科学、流体动力学、核工程等），阿贡的科学家们正与核电行业一起设计未来的能源。

欢迎来到机器的世界

快速反应堆的好处是显而易见的：它们比水冷反应堆更安全、体积更小、使用的燃料更少。然而，层层监督推高了建设和运营成本，研究人员多年来一直在寻找降低部分成本的方法。

由于世界各地的核设施产生了大量的实验数据，我们对水冷反应堆有了解深入。但由于先进反应堆寥寥无几，导致我们对其的了解有限。因此，科学家们不得不依靠建模和仿真来确定最佳反应堆方案。最近，研究人员将目光锁定在一种新的技术上，以提高模拟的准确性并降低计算成本，这就是机器学习。作为人工智能的重要组成部分，机器利用既有数据自动学习，并进行更好的预测结果。

虽然不像建造一个核反应堆那么昂贵，但运行一个高功率、细粒度的模型仍然需要在世界最快的超级计算机上花费大量的处理器时间。当涉及到建模时，就必须在准确度、速度和费用之间进行权衡。使用机器学习可以在不牺牲精度的前提下减少模拟所需的时间。目前，机器学习技术已用于气候科学和图像处理等领域，这些领域的科学家们要处理巨大的数据集，因此他们必须掌握快速准确的处理方法。所以，将这一方法引入核反应堆设计和分析，也是合乎逻辑的。

拥有一个准确的核反应堆模型，对于确保反应堆建成后能够安全运行是至关重要的。核反应堆必须在计算机上进行压力测试，所有新反应堆的设计都包含了安全边际或公差，旨在使反应堆即使在极端紧急情况下也能安全运行。由于每个模拟程序都包含一定的不确定性，核工程师需要准确量化这些安全边际。反应堆结构复杂，包含许多不同的子系统，由不同的专家团队设计。由于安全是最核心的因素，反应堆的设计者们有时也会过于保守。通过减少模型中的不确定性，研究人员最终可以缩小安全边际，有可能降低一些成本。

美国最好的模型

反应堆设计的模拟运行可以是快速的、开放结果的，也可以是较慢的、完备的结果。要真正建立一个反应堆的不确定度范围，需要编写高度仿真的计算流体动力学（CFD）代码，但完成一次运算可能需要数周或数月。核工程师和建模人员希望加快这一过程，同时提高我们对安全系数的理解。当需要建造一个具有额外安全裕度的反应堆时，核工程师不希望在后端支付不必要的成本，也不希望在前端的计算机模型方面多付出代价。

为了获得足够精度的CFD模型，同时兼顾运行时间，研究人员需要创建代用模型。代用模型是在无法直接测量特定结果时使用的，所以科学家们用模型来代替。其具体工作原理是不透明的，科学家们称之为“黑箱”。传统模型计算成本太高时，通常使用代用模型，这些代用模型比传统的CFD模型运行得更快。除了使用代用模型，科学家们在超级计算机上研究核反应堆时，还采用了模块化模拟，即分别对反应堆的不同部分分别建模和优化，然后在一个大型模拟中汇集起来。模拟并不是研究人员处理所有问题的唯一方法，但模拟确实帮了核工程师不少忙。

在构建机器学习模型时，科学家可以求助于三种不同类型的数据来生成训练集：由实际反应堆生成的经验数据；从以前的模型中得出的模拟数据；理论方程，这些方程提供了科学家所谓的“物理学指导”方法来对反应堆进行建模。通过将机器学习模型与经验数据相结合，科学家们可以生成一组数据用于模型训练，然后引入新变量重新训练，并比较二者的结论。

科学家们希望将这些海量数据与一个全局模型相结合，尝试以一种新的方式运行它。将模拟结果和实验、其他模拟或物理学原理所得出的结论相对照。

当把核反应堆的模型引入实际设计，反应堆设计或运行条件可能没有在现实世界中进行过测试。因此，验证模拟的准确性可能是一个挑战。这对于反应堆在在极端冲击情况下保证安全尤为重要。由于研究人员拥有以往70年轻水反应堆和实验性先进反应堆的经验数据，加上对基本科学原理的深刻理解，我们可以形成相对全面的理论和模拟工具。但我们所知道的和现实的仍然存在差距。我们相信，机器学习方法和模型有可能填补这些认识空白。

虽然我们在这类反应堆的设计和分析方面有数十年的经验，但核工程师们正试图在反应堆的设计方面推陈出新。随着这个新领域出现的，可能会有一些无法预料的问题。我们要确保在计算机上捕捉到这些情况，以便在建造时能防范于未然。

漫长而曲折的道路

核工业开始使用机器学习和其他先进方法来降低模拟成本。然而，与开发新核反应堆所涉及的一切一样，这是一个漫长的过程。核电行业的合作者对新技术很感兴趣，只要这些技术能降低整个流程成本，并尽可能保证安全、高效。这其中涉及到很多参与者，每一项新的技术或应用都需要经过审核。这需要时间，但对整个行业而言，我们开始走上一条让设计和分析变得更加容易的道路。

在不同的技术领域使用机器学习和人工智能方法可能会对安全分析的建模和仿真产生革命性的影响，同时也可能会对诊断、操作和装备材料产生重大影响，最终都能进一步对反应堆起到优化作用。

消除障碍

例如，在试制装备材料方面，可以辅助识别适合用于先进反应堆的材料。其优势不仅是更为高效快捷，也可以辅助设计新型测试或实验，以避免实验人员的主观偏见。在某些方面，人类可能比机器更不可靠，因为计算机可以比人类更快地尝试许多不同种类的组合，特别是一些意想不到的组合。

在试制装备材料方面取得的进展也可以在快速成型制造中发挥作用。核反应堆的许多部件都涉及到非常复杂的独特部件。如果科学家们找到了一种或几种有趣的材料，可以用来构造这些部件，他们就可以使用快速成型制造和3D打印来制造它们。

操作方面，只要有足够的数据，研究人员就可以建立预测模型，通过观察参数何时漂移到理想范围之外，来监测工厂中发生的情况，并预测某些潜在的故障。通过这种方式，模型可以提醒运营商采取预防措施。

阿贡实验室利用人工智能在核反应堆建模方面的努力还处于起步阶段，但在未来几年内，它们有可能采取几种可能的技术路线。最终，我们希望开发出基于物理学理论的、多尺度的模型，这些模型结合了机器学习，并利用广泛的模拟和测量数据进行优化，实质上是用机器学习和人工智能统一了我们现有的所有数据。