Atomkraft producerer nu mere kulstoffri elektricitet i USA end sol og vind tilsammen
Du kan reducere produktionsomkostningerne ved at optimerebrændstofstænger dybt inde i en atomreaktor. De udløser reaktioner, og når de er ideelt placeret, forbrænder de mindre brændstof og kræver mindre vedligeholdelse. Efter årtiers forsøg og fejl har nukleare ingeniører lært at udvikle bedre layouts til dyre brændstofstænger for at forlænge deres levetid. Nu vil kunstig intelligens (AI) hjælpe dem.
Forskere fra Massachusetts Institute of TechnologyInstitute (MIT) og Exelon mener, at ved at gøre designprocessen til et spil, kan et AI-system trænes til at generere snesevis af optimale stangkonfigurationer, der kan forlænge levetiden for hver af dem med omkring 5 %. Dette sparer et typisk kraftværk omkring 3 millioner dollars om året. Et kunstig intelligenssystem kan finde optimale løsninger hurtigere end et menneske og hurtigt ændre design i et sikkert, simuleret miljø.
”Denne teknologi kan anvendes på alleatomreaktor i verden, forklarer seniorstudieforfatter Korish Shirvan, en assisterende professor ved Institut for Nuklear Videnskab og Teknologi ved MIT. ”Ved at forbedre økonomien i atomkraft, som leverer 20% af amerikansk elektricitet, kan vi hjælpe med at begrænse væksten i globale kulstofemissioner og tiltrække det bedste unge talent til denne vigtige sektor for ren energi.”
I en typisk reaktor er brændselsstavene linet op iet gitter eller en samling af niveauer af uran og gadoliniumoxid indeni, som skakbrikker på et bræt, hvor reaktionerne starter det radioaktive uran og det sjældne jordarters gadolinium, der bremser dem. I et ideelt arrangement er disse konkurrerende impulser afbalanceret for at fremme effektive reaktioner. Ingeniører har forsøgt at bruge traditionelle algoritmer til at forbedre menneskedesignede layouts, men en standard 100-stangs samling kan have et astronomisk antal variationer at evaluere.
Forskere spekulerede på, om...Dyb forstærkningslæring, en kunstig intelligensteknik, der har muliggjort overmenneskelige færdigheder i spil som skak og Go, fremskynder verifikationsprocessen. Dyb forstærkningslæring kombinerer dybe neurale netværk, som er fremragende til at identificere mønstre i data, med forstærkningslæring, som forbinder læring med et belønningssignal, såsom at vinde et spil.
I et nyt eksperiment uddannede forskerne deresagent til at placere brændstofstænger i henhold til et sæt begrænsninger og tjene flere point for hvert kup. Hver begrænsning eller regel, som forskerne vælger, afspejler årtiers ekspertviden baseret på fysikkens love. Agenten kan for eksempel score point ved at placere stænger med lav uran ved kanterne af enheden for at bremse reaktionerne der.
"Når du har programmeretregler, begynder neurale netværk at fungere meget godt,” siger hovedforfatter af undersøgelsen Majdi Radaideh, postdoc fra Shirvan-laboratoriet. — De spilder ikke tid på tilfældige processer. Det var sjovt at se dem lære at spille spil, som et menneske ville."
Gennem forstærkningslæring har AI lærtspiller mere og mere komplekse spil såvel som mennesker, eller endnu bedre. Men dets evner forbliver ubrugelige i den virkelige verden. Nu har forskere bevist, at forstærkningslæring har potentiale.
”Denne undersøgelse er et spændende eksempelved hjælp af kunstig intelligens teknologi til bræt- og videospil til at hjælpe os med at løse praktiske problemer i verden, ”konkluderer studiemedforfatter Joshua Joseph, forsker ved MIT Quest for Intelligence.
Exelon tester i øjeblikket en betaversion af et kunstigt intelligenssystem i et virtuelt miljø. Ifølge en virksomhedsrepræsentant kan systemet være klar til implementering om et år eller to.
Læs mere
Se hvordan månen dukkede op. Den gamle planet styrtede ned på jorden
Arkæologer har fundet en gammel begravelse på Krim. Der var en "billet" til efterlivet
Abort og videnskab: hvad vil der ske med de børn, der føder