Kärnkraft producerar nu mer kolfri el i USA än sol och vind tillsammans
Du kan minska produktionskostnaderna genom att optimerabränslestavar, djupt inne i en kärnreaktor. De utlöser reaktioner och när de är idealiskt placerade bränner de mindre bränsle och kräver mindre underhåll. Efter årtionden av försök och fel har kärntekniker lärt sig att utveckla bättre layouter för dyra bränslestavar för att förlänga deras liv. Nu kommer artificiell intelligens (AI) att hjälpa dem.
Forskare från Massachusetts Institute of TechnologyInstitute (MIT) och Exelon tror att genom att förvandla designprocessen till ett spel kan ett AI-system tränas för att generera dussintals optimala spökonfigurationer som kan förlänga livslängden för var och en av dem med cirka 5 %. Detta sparar ett typiskt kraftverk cirka 3 miljoner dollar per år. Ett artificiellt intelligenssystem kan hitta optimala lösningar snabbare än en människa och snabbt ändra design i en säker, simulerad miljö.
”Denna teknik kan tillämpas på vem som helstkärnreaktor i världen, förklarar författaren Korish Shirvan, biträdande professor vid Institutionen för kärnvetenskap och teknik vid MIT. "Genom att förbättra kärnkraftsekonomin, som ger 20% av USA: s elproduktion, kan vi hjälpa till att begränsa tillväxten av globala koldioxidutsläpp och locka de bästa unga talangerna till denna viktiga sektor för ren energi."
I en typisk reaktor är bränslestavarna uppradade iett rutnät eller sammansättning av nivåer av uran och gadoliniumoxid inom, som schackpjäser på ett bräde, med reaktionerna som startar det radioaktiva uranet och den sällsynta jordartsmetallen gadolinium som bromsar dem. I ett idealiskt arrangemang är dessa konkurrerande impulser balanserade för att främja effektiva svar. Ingenjörer har försökt använda traditionella algoritmer för att förbättra mänskligt utformade layouter, men en standard 100-stavsenhet kan ha ett astronomiskt antal variationer att utvärdera.
Forskare undrade om...Djup förstärkningsinlärning, en artificiell intelligensteknik som har möjliggjort övermänsklig skicklighet i spel som schack och Go, påskyndar verifieringsprocessen. Djup förstärkningsinlärning kombinerar djupa neurala nätverk, som är utmärkta på att identifiera mönster i data, med förstärkningsinlärning, som kopplar inlärning till en belöningssignal, som att vinna ett spel.
I ett nytt experiment utbildade forskarna sinaagent för att placera bränslestavar enligt en uppsättning begränsningar och tjäna fler poäng för varje kupp. Varje begränsning eller regel som väljs av forskare återspeglar årtionden av expertkunskap baserad på fysikens lagar. Medlet kan till exempel få poäng genom att placera stavar med låg uran vid kanterna på enheten för att bromsa reaktioner där.
"När du har programmeratregler, neurala nätverk börjar fungera mycket bra”, säger huvudförfattaren till studien Majdi Radaideh, postdoc från Shirvan-laboratoriet. — De slösar inte tid på slumpmässiga processer. Det var roligt att se dem lära sig spela spel som en människa gör.”
Genom förstärkningslärande har AI lärt sigspela alltmer komplexa spel såväl som människor, eller ännu bättre. Men dess kapacitet förblir värdelös i den verkliga världen. Nu har forskare visat att förstärkningslärande har potential.
”Den här studien är ett spännande exempelanvänder artificiell intelligens för bräd- och videospel för att hjälpa oss att lösa praktiska problem i världen, avslutar studieförfattaren Joshua Joseph, forskningsmedlem vid MIT Quest for Intelligence.
Exelon testar för närvarande en betaversion av ett system för artificiell intelligens i en virtuell miljö. Enligt en företagsrepresentant kan systemet vara klart för implementering om ett år eller två.
Läs mer
Se hur månen uppstod. Forntida planet kraschade in i jorden
Arkeologer har hittat en gammal begravning på Krim. Det fanns en "biljett" till efterlivet
Abort och vetenskap: vad kommer att hända med barnen som kommer att föda