Tagad kodolenerģija ASV ražo vairāk bezoglekļa elektroenerģijas nekā saules un vēja enerģija kopā
Optimizējot, varat samazināt ražošanas izmaksasdegvielas stieņi, dziļi kodolreaktora iekšpusē. Tie izraisa reakcijas un, ideāli novietojot, sadedzina mazāk degvielas un prasa mazāku apkopi. Pēc gadu desmitiem ilgiem izmēģinājumiem un kļūdām kodolinženieri ir iemācījušies izstrādāt labākus dārgu degvielas stieņu izkārtojumus, lai pagarinātu viņu dzīvi. Tagad viņiem palīdzēs mākslīgais intelekts (AI).
Pētnieki no Masačūsetsas Tehnoloģiju institūtaInstitūts (MIT) un Exelon uzskata, ka, pārvēršot projektēšanas procesu par spēli, AI sistēmu var apmācīt ģenerēt desmitiem optimālu stieņu konfigurāciju, kas var pagarināt katra no tām kalpošanas laiku par aptuveni 5%. Tas ietaupa tipiskai spēkstacijai aptuveni 3 miljonus USD gadā. Mākslīgā intelekta sistēma var atrast optimālus risinājumus ātrāk nekā cilvēks un ātri mainīt dizainu drošā, simulētā vidē.
“Šo tehnoloģiju var pielietot ikvienamkodolreaktoru pasaulē, skaidro vecākais pētījuma autors Korišs Širvans, MIT Kodolzinātnes un tehnoloģijas katedras docents. "Uzlabojot kodolenerģijas ekonomiku, kas piegādā 20% no ASV elektroenerģijas, mēs varam palīdzēt ierobežot globālo oglekļa emisiju pieaugumu un piesaistīt labākos jaunos talantus šai nozīmīgajai tīras enerģijas nozarei."
Tipiskā reaktorā degvielas stieņi ir sakārtoti vienā rindāurāna un gadolīnija oksīda līmeņu režģis vai kopums, piemēram, šaha figūriņas uz galda, ar reakcijām, kas iedarbina radioaktīvo urānu un retzemju gadolīniju, palēninot tās. Ideālā izkārtojumā šie konkurējošie impulsi ir līdzsvaroti, lai veicinātu efektīvas atbildes. Inženieri ir mēģinājuši izmantot tradicionālos algoritmus, lai uzlabotu cilvēku izstrādātus izkārtojumus, taču standarta 100 stieņu komplektam var būt astronomiski daudz variāciju, ko novērtēt.
Pētnieki jautāja, vai...Dziļās pastiprināšanas mācīšanās — mākslīgā intelekta paņēmiens, kas ir ļāvis pārcilvēciskām prasmēm tādās spēlēs kā šahs un Go, paātrina pārbaudes procesu. Dziļās pastiprināšanas mācīšanās apvieno dziļos neironu tīklus, kas lieliski spēj identificēt modeļus datu kopās, ar pastiprināšanas mācīšanos, kas saista mācīšanos ar atlīdzības signālu, piemēram, laimestu spēlē.
Jaunā eksperimentā pētnieki apmācīja viņuaģents novietot degvielas stieņus saskaņā ar ierobežojumu kopumu, nopelnot vairāk punktu par katru apvērsumu. Katrs pētnieku izvēlētais ierobežojums vai noteikums atspoguļo gadu desmitiem ilgas ekspertu zināšanas, kuru pamatā ir fizikas likumi. Aģents var iegūt punktus, piemēram, ievietojot maz urāna stieņus montāžas malās, lai palēninātu reakcijas tur.
"Pēc tam, kad esat ieprogrammējisNoteikumi, neironu tīkli sāk darboties ļoti labi,” stāsta pētījuma vadošā autore Majdi Radaideh, postdoktore no Širvanas laboratorijas. — Tie tērē laiku izlases procesiem. Bija jautri skatīties, kā viņi mācās spēlēt spēles tā, kā to darītu cilvēks.
Izmantojot pastiprināšanas mācības, AI ir iemācījusiesspēlējot arvien sarežģītākas spēles, kā arī cilvēkus vai pat labāk. Bet tā iespējas reālajā pasaulē paliek bezjēdzīgas. Tagad pētnieki ir pierādījuši, ka mācīšanās pastiprināšanai ir potenciāls.
“Šis pētījums ir aizraujošs piemērsmākslīgā intelekta tehnoloģijas izmantošana galda un video spēlēm, lai palīdzētu mums atrisināt praktiskas problēmas pasaulē, ”secina pētījuma līdzautors Džošua Džozefs, MIT Quest for Intelligence pētniecības līdzstrādnieks.
Exelon šobrīd virtuālajā vidē testē mākslīgā intelekta sistēmas beta versiju. Pēc uzņēmuma pārstāvja domām, sistēma var būt gatava ieviešanai pēc gada vai diviem.
Lasīt vairāk
Skatiet, kā parādījās mēness. Senā planēta ietriecās Zemē
Arheologi ir atraduši senu apbedījumu Krimā. Bija "biļete" uz aizsaulē
Aborts un zinātne: kas notiks ar bērniem, kas dzemdēs