Зараз ядерна енергія дає більше безвуглецевої електроенергії у США, ніж сонячна та вітрова разом
Скоротити витрати на видобуток можна оптимізувавшипаливні стрижні, на глибині ядерного реактора. Вони запускають реакції, і, коли розташовані ідеально, спалюють менше палива і вимагають менше обслуговування. Через десятиліття проб і помилок інженери-ядерники навчилися розробляти більш досконалі схеми розташування дорогих паливних стрижнів, щоб продовжити їх термін служби. Тепер їм допоможе штучний інтелект (ШІ).
Дослідники з Массачусетського технологічногоінституту (MIT) і Exelon впевнені — перетворивши процес проектування на гру, систему ІІ можна навчити генерувати десятки оптимальних конфігурацій стрижнів, які можуть продовжити термін служби кожного їх приблизно на 5%. Це дозволяє заощадити на типовій електростанції близько $3 млн. на рік. Система штучного інтелекту може знаходити оптимальні рішення швидше, ніж людина, та швидко змінювати конструкції в безпечному змодельованому середовищі.
«Ця технологія може бути застосована до будь-якогоядерному реактору в світі, - пояснює старший автор дослідження Коріш Ширван, доцент кафедри ядерної науки і техніки Массачусетського технологічного інституту. - Поліпшивши економіку ядерної енергетики, яка забезпечує 20% електроенергії, виробленої в США, ми можемо допомогти обмежити зростання глобальних викидів вуглецю і залучити кращі молоді таланти в цей важливий сектор екологічно чистої енергії ».
У типовому реакторі паливні стрижні збудовані всітку або складання за рівнями урану та оксиду гадолінію всередині, як шахові фігури на дошці, з реакціями, що запускають радіоактивний уран, та рідкоземельним гадолінієм, що уповільнює їх. В ідеальному компонуванні ці конкуруючі імпульси врівноважуються, щоб стимулювати ефективні реакції. Інженери намагалися використовувати традиційні алгоритми для покращення макетів, розроблених людиною, але в стандартній збірці зі 100 стрижнів може бути астрономічна кількість варіантів для оцінки.
Дослідники запитали, чи може?глибоке навчання з підкріпленням техніка штучного інтелекту, що дозволила досягти надлюдської майстерності в таких іграх, як шахи і, прискорити процес перевірки. Глибоке навчання з підкріпленням поєднує в собі глибокі нейронні мережі, які чудово виділяють закономірності в масивах даних, з навчанням з підкріпленням, яке пов'язує навчання з перемогою винагороди.
У новому експерименті дослідники навчили свогоагента розміщувати паливні стрижні відповідно до набором обмежень, заробляючи більше очок за кожен вдалий хід. Кожне обмеження або правило, вбрання дослідниками, відображає десятиліття експертних знань, заснованих на законах фізики. Агент може набирати очки, наприклад, розміщуючи стрижні з низьким вмістом урану на краях збірки, щоб уповільнити там реакції.
«Після того, як ви запрограмуєтеправила, нейронні мережі починають дуже добре діяти, - говорить провідний автор дослідження Маджді Радаїдех, постдок з лабораторії Ширвана. — Вони не витрачають час на випадкові процеси. Було весело спостерігати, як вони вчаться грати в ігри, як це робить людина».
Завдяки навчанню з підкріпленням ІІ навчивсяграти у все більш складні ігри не гірше людей або навіть краще. Але його можливості залишаються марними в реальному світі. Тепер дослідники довели, що у навчання з підкріпленням є потенціал.
«Це дослідження є захоплюючим прикладомвикористання технології штучного інтелекту для настільних і відеоігор, що допомагає нам вирішувати практичні проблеми в світі », - робить висновок співавтор дослідження Джошуа Джозеф, науковий співробітник MIT Quest for Intelligence.
Exelon зараз тестує бета-версію системи штучного інтелекту в віртуальному середовищі. За словами представника компанії, система може бути готова до впровадження через рік або два.
Читати далі
Подивіться, як з'явилася Місяць. Давня планета врізалася в Землю
Археологи знайшли в Криму стародавнє поховання. На місці був «квиток» в загробний світ
Аборти і наука: що буде з дітьми, яких народять