Atomkraft produserer nå mer karbonfri elektrisitet i USA enn sol og vind til sammen
Du kan redusere produksjonskostnadene ved å optimaliseredrivstoffstenger, dypt inne i en atomreaktor. De utløser reaksjoner, og når de er ideelt plassert, brenner du mindre drivstoff og krever mindre vedlikehold. Etter flere tiår med prøving og feiling har kjernefysiske ingeniører lært å utvikle bedre oppsett for dyre drivstoffstenger for å forlenge levetiden. Nå vil kunstig intelligens (AI) hjelpe dem.
Forskere fra Massachusetts Institute of TechnologyInstitute (MIT) og Exelon mener at ved å gjøre designprosessen til et spill, kan et AI-system trenes til å generere dusinvis av optimale stangkonfigurasjoner som kan forlenge levetiden til hver av dem med omtrent 5 %. Dette sparer et typisk kraftverk for rundt 3 millioner dollar per år. Et kunstig intelligenssystem kan finne optimale løsninger raskere enn et menneske og raskt endre design i et trygt, simulert miljø.
“Denne teknologien kan brukes på alleatomreaktor i verden, forklarer seniorstudieforfatter Korish Shirvan, assisterende professor ved Institutt for kjernefysikk og teknologi ved MIT. "Ved å forbedre økonomien til kjernekraft, som leverer 20% av USAs elektrisitet, kan vi bidra til å begrense veksten av globale karbonutslipp og tiltrekke det beste unge talentet til denne viktige sektoren for ren energi."
I en typisk reaktor er drivstoffstavene stilt opp iet rutenett eller en samling av nivåer av uran og gadoliniumoksid innenfor, som sjakkbrikker på et brett, med reaksjonene som starter det radioaktive uranet og den sjeldne jordarten gadolinium som bremser dem. I en ideell ordning er disse konkurrerende impulsene balansert for å fremme effektive svar. Ingeniører har prøvd å bruke tradisjonelle algoritmer for å forbedre menneskeskapte oppsett, men en standard 100-stavssammenstilling kan ha et astronomisk antall variasjoner å evaluere.
Forskere lurte på om...Dyp forsterkende læring, en kunstig intelligens-teknikk som har muliggjort overmenneskelige ferdigheter i spill som sjakk og Go, fremskynder verifiseringsprosessen. Dyp forsterkende læring kombinerer dype nevrale nettverk, som er utmerket til å identifisere mønstre i data, med forsterkende læring, som kobler læring til et belønningssignal, for eksempel å vinne et spill.
I et nytt eksperiment trente forskerne sineagent for å plassere drivstoffstenger i henhold til et sett med begrensninger, og tjene flere poeng for hvert kupp. Hver begrensning eller regel valgt av forskere gjenspeiler flere tiår med ekspertkunnskap basert på fysikkens lover. Agenten kan score poeng, for eksempel ved å plassere stenger med lite uran i kantene av enheten for å bremse reaksjonene der.
"Etter at du har programmertregler, begynner nevrale nettverk å fungere veldig bra, sier hovedforfatter av studien Majdi Radaideh, en postdoktor fra Shirvan-laboratoriet. — De kaster ikke bort tid på tilfeldige prosesser. Det var morsomt å se dem lære å spille spill som et menneske ville gjort.»
Gjennom forsterkningslæring har AI lærtspiller stadig mer komplekse spill så vel som mennesker, eller enda bedre. Men dens evner forblir ubrukelige i den virkelige verden. Nå har forskere bevist at forsterkningslæring har potensial.
“Denne studien er et spennende eksempelved hjelp av kunstig intelligens teknologi for brettspill og videospill for å hjelpe oss med å løse praktiske problemer i verden, avslutter studieforfatter Joshua Joseph, forsker ved MIT Quest for Intelligence.
Exelon tester for tiden en betaversjon av et kunstig intelligenssystem i et virtuelt miljø. I følge en representant for selskapet kan systemet være klart for implementering om et år eller to.
Les mer
Se hvordan månen dukket opp. En gammel planet krasjet inn i jorden
Arkeologer har funnet en eldgammel begravelse på Krim. Det var en "billett" til etterlivet
Abort og vitenskap: hva vil skje med barna som skal føde