在這個人工智慧設計的沸水反應堆中，燃料棒位置經過了數萬次模擬最佳化，其使用壽命能夠延長5%左右。如果將設計擴大到整個反應堆，每年可節約近300萬美元。

在美國，核能提供的無碳電能已經超過了太陽能和風能的總和，成為應對氣候變化的關鍵力量。然而，核電機組面臨著老化問題，為與燃煤、燃氣發電廠競爭，運營商亟需減輕運營壓力。削減成本的重點是反應堆堆芯——如果工程師能將驅動核反應的燃料棒放置在理想位置，其燃料消耗量將更少，所需的維護費用也更低。經過幾十年的反覆試驗，核能工程師們已經學會了如何最佳化燃料棒佈局，以儘量延長燃料棒壽命。現在，人工智慧技術將提供額外助力。

techxplore.com網站當地時間12月18日報道，美國麻省理工學院（MIT）和艾斯能公司的研究人員將佈局設計過程轉化為遊戲，訓練人工智慧系統計算出了多組最佳燃料棒佈局配置。這些佈局能讓每個燃料棒的壽命延長約5%，每年為運營商節約近300萬美元成本。此外，人工智慧系統還能比人類更快地找出最優解決方案，並在安全的模擬環境中完成設計的快速修改。相關研究成果刊登在《核工程與設計》雜誌中。

“這項技術可以應用於任何一個核反應堆。”論文作者、MIT核科學與工程助理教授Koroush Shirvan說，“透過提高核能發電的經濟效益，我們能夠為全球節能減排貢獻力量，吸引優秀的年輕學者進入這一重要的清潔能源領域。”

在一個典型反應堆中，根據鈾和氧化釓的水平，燃料棒像棋盤上的棋子一般被排布在網格中。其中，放射性鈾對反應有驅動作用，而氧化釓則能減緩反應。在理想的燃料棒佈局中，相互競爭的兩種反應達到平衡態，從而有效驅動系統反應。工程師們曾嘗試用傳統演算法改進設計佈局，但僅一個標準系統（100根燃料棒）產生的待評估設計數量都能達到天文數字。

深度強化學習（DRL）是一種結合了深度神經網路與強化學習特點的人工智慧技術，已在國際象棋和圍棋等遊戲中取得驚人成績。在新研究中，研究人員訓練DRL系統在一系列限制條件下對燃料棒進行配置，每走對一步（比如將可燃讀物棒數量限制在16至18之間），“遊戲”積分就會增加。

“在加入配置規則後，神經網路開始採取相當有效的行動。”論文作者、Shirvan實驗室博士後研究員Majdi Radaideh說，“系統不是在隨機過程中浪費時間。它們是在學著像人類玩遊戲那樣‘衝擊高分’。”

論文作者、MIT智力探索專案科學家Joshua Joseph補充，“這項研究展示了DRL在現實世界的應用潛質。它不僅可以用於桌面遊戲，還能幫助人類解決實際問題。”

目前，艾斯能公司正在虛擬環境中檢測人工智慧系統測試版的效能。作為核能巨頭，艾斯能公司在全美運營著21個核反應堆。該公司的發言人表示，艾斯能公司或將於1~2年內部署該系統。

編譯：德克斯特 審稿：西莫 責編：陳之涵

期刊編號：0029-5493

原文連結：https://techxplore.com/news/2020-12-cheaper-nuclear-energy-game.html