Η πυρηνική ενέργεια παράγει τώρα περισσότερη ηλεκτρική ενέργεια χωρίς άνθρακα στις ΗΠΑ από ό,τι η ηλιακή και η αιολική μαζί
Μπορείτε να μειώσετε το κόστος παραγωγής βελτιστοποιώνταςράβδος καυσίμου, βαθιά μέσα σε έναν πυρηνικό αντιδραστήρα. Προκαλούν αντιδράσεις και όταν τοποθετούνται ιδανικά, καίνε λιγότερο καύσιμο και απαιτούν λιγότερη συντήρηση. Μετά από δεκαετίες δοκιμών και σφαλμάτων, οι πυρηνικοί μηχανικοί έχουν μάθει πώς να αναπτύσσουν καλύτερες διατάξεις για ακριβές ράβδους καυσίμου για να παρατείνουν τη ζωή τους. Τώρα η τεχνητή νοημοσύνη (AI) θα τους βοηθήσει.
Ερευνητές από το Ινστιτούτο Τεχνολογίας της ΜασαχουσέτηςΤο Ινστιτούτο (MIT) και η Exelon πιστεύουν ότι μετατρέποντας τη διαδικασία σχεδιασμού σε παιχνίδι, ένα σύστημα τεχνητής νοημοσύνης μπορεί να εκπαιδευτεί για να δημιουργήσει δεκάδες βέλτιστες διαμορφώσεις ράβδων που μπορούν να παρατείνουν τη διάρκεια ζωής καθενός από αυτά κατά περίπου 5%. Αυτό εξοικονομεί ένα τυπικό εργοστάσιο παραγωγής ενέργειας περίπου 3 εκατομμύρια δολάρια ετησίως. Ένα σύστημα τεχνητής νοημοσύνης μπορεί να βρει βέλτιστες λύσεις πιο γρήγορα από έναν άνθρωπο και να αλλάξει γρήγορα σχέδια σε ένα ασφαλές, προσομοιωμένο περιβάλλον.
«Αυτή η τεχνολογία μπορεί να εφαρμοστεί σε όλουςπυρηνικός αντιδραστήρας στον κόσμο, εξηγεί ο συγγραφέας της μελέτης Korish Shirvan, επίκουρος καθηγητής στο Τμήμα Πυρηνικής Επιστήμης και Τεχνολογίας στο MIT. «Βελτιώνοντας την οικονομία της πυρηνικής ενέργειας, η οποία παρέχει το 20% της ηλεκτρικής ενέργειας των ΗΠΑ, μπορούμε να περιορίσουμε την αύξηση των παγκόσμιων εκπομπών άνθρακα και να προσελκύσουμε τα καλύτερα νεαρά ταλέντα σε αυτόν τον σημαντικό τομέα της καθαρής ενέργειας».
Σε έναν τυπικό αντιδραστήρα, οι ράβδοι καυσίμου είναι ευθυγραμμισμένεςένα πλέγμα ή ένα συγκρότημα επιπέδων ουρανίου και οξειδίου του γαδολινίου μέσα, όπως πιόνια σκακιού σε μια σανίδα, με τις αντιδράσεις να ξεκινούν το ραδιενεργό ουράνιο και το γαδολίνιο της σπάνιας γαίας να τα επιβραδύνει. Σε μια ιδανική διάταξη, αυτές οι ανταγωνιστικές παρορμήσεις εξισορροπούνται για να προωθήσουν αποτελεσματικές απαντήσεις. Οι μηχανικοί προσπάθησαν να χρησιμοποιήσουν παραδοσιακούς αλγόριθμους για να βελτιώσουν διατάξεις σχεδιασμένες από τον άνθρωπο, αλλά ένα τυπικό συγκρότημα 100 ράβδων μπορεί να έχει έναν αστρονομικό αριθμό παραλλαγών για αξιολόγηση.
Οι ερευνητές αναρωτήθηκαν αν...Η εκμάθηση βαθιάς ενίσχυσης, μια τεχνική τεχνητής νοημοσύνης που έχει επιτρέψει την υπεράνθρωπη δεξιότητα σε παιχνίδια όπως το σκάκι και το Go, επιταχύνει τη διαδικασία επαλήθευσης. Η εκμάθηση βαθιάς ενίσχυσης συνδυάζει βαθιά νευρωνικά δίκτυα, τα οποία είναι εξαιρετικά στον εντοπισμό προτύπων στα δεδομένα, με την ενισχυτική μάθηση, η οποία συνδέει τη μάθηση με ένα σήμα ανταμοιβής, όπως η νίκη σε ένα παιχνίδι.
Σε ένα νέο πείραμα, οι ερευνητές εκπαίδευσαν τουςπράκτορας για την τοποθέτηση ράβδων καυσίμου σύμφωνα με ένα σύνολο περιορισμών, κερδίζοντας περισσότερους πόντους για κάθε πραξικόπημα. Κάθε περιορισμός ή κανόνας που επιλέγεται από τους ερευνητές αντικατοπτρίζει δεκαετίες γνώσεων εμπειρογνωμόνων βάσει των νόμων της φυσικής. Ο παράγοντας μπορεί να κερδίσει πόντους, για παράδειγμα, τοποθετώντας ράβδους χαμηλού ουρανίου στις άκρες του συγκροτήματος για να επιβραδύνει τις αντιδράσεις εκεί.
«Αφού έχετε προγραμματίσεικανόνες, τα νευρωνικά δίκτυα αρχίζουν να αποδίδουν πολύ καλά», λέει ο επικεφαλής συγγραφέας της μελέτης Majdi Radaideh, μεταδιδάκτορας από το εργαστήριο Shirvan. — Δεν χουν χρόνο σε τυχαίες διαδικασίες. Ήταν διασκεδαστικό να τους βλέπω να μαθαίνουν να παίζουν παιχνίδια όπως ένας άνθρωπος».
Μέσω της Ενίσχυσης Μάθησης, η AI έχει μάθειπαίζοντας όλο και πιο περίπλοκα παιχνίδια, καθώς και ανθρώπους, ή ακόμα καλύτερα. Αλλά οι δυνατότητές του παραμένουν άχρηστες στον πραγματικό κόσμο. Τώρα οι ερευνητές έχουν αποδείξει ότι η ενίσχυση της μάθησης έχει δυνατότητες.
«Αυτή η μελέτη είναι ένα συναρπαστικό παράδειγμαχρησιμοποιώντας τεχνολογία τεχνητής νοημοσύνης για επιτραπέζια και βιντεοπαιχνίδια για να μας βοηθήσουν να λύσουμε πρακτικά προβλήματα στον κόσμο », καταλήγει ο συν-συγγραφέας της μελέτης Joshua Joseph, Research Fellow στο MIT Quest for Intelligence.
Η Exelon δοκιμάζει αυτήν τη στιγμή μια έκδοση beta ενός συστήματος τεχνητής νοημοσύνης σε ένα εικονικό περιβάλλον. Σύμφωνα με έναν εκπρόσωπο της εταιρείας, το σύστημα μπορεί να είναι έτοιμο για εφαρμογή σε ένα ή δύο χρόνια.
Διαβάστε περισσότερα
Δείτε πώς εμφανίστηκε το φεγγάρι. Ο αρχαίος πλανήτης συντρίβει στη Γη
Οι αρχαιολόγοι έχουν βρει μια αρχαία ταφή στην Κριμαία. Υπήρχε ένα «εισιτήριο» για τη μετά θάνατον ζωή
Άμβλωση και επιστήμη: τι θα συμβεί στα παιδιά που θα γεννήσουν