На сайте Phys.org размещена интересная статья "Hot salt, clean energy: How artificial intelligence can enhance advanced nuclear reactors" - "Горячая соль, чистая энергия: как искусственный интеллект может улучшить современные ядерные реакторы".

Ученые ищут новые материалы для развития атомных электростанций следующего поколения. В недавнем исследовании исследователи из Аргоннской национальной лаборатории Министерства энергетики США показали, как искусственный интеллект может помочь определить правильные типы расплавленных солей, ключевой компонент для современных ядерных реакторов.

Способность поглощать и сохранять тепло делает расплавленную соль важной для чистой энергии и национальных целей в области климата. Расплавленные соли могут служить как теплоносителем, так и топливом в ядерных энергетических реакторах, вырабатывающих электроэнергию без выбросов парниковых газов. Они также могут хранить большое количество энергии, которая все чаще требуется в электрической сети с изменчивыми источниками, такими как энергия ветра и солнца.

Если вы нагреете соль на кухонном столе до 801 C, она растает, и вы получите расплавленную соль. Однако для производства и хранения энергии подойдет не любая соль. Ученые изучают различные комбинации солей, чтобы получить точные свойства, необходимые для эффективного охлаждения и подпитки ядерного энергетического реактора в течение десятилетий. Эти свойства включают, среди прочего, более низкие температуры плавления, правильную консистенцию и способность поглощать большое количество тепла.

Какие параметры расплавленной соли обеспечат желаемые характеристики ядерного реактора? Потенциальные вариации почти бесконечны. Исследование было направлено на то, чтобы определить, может ли компьютерное моделирование, основанное на машинном обучении, уточнять эксперименты в реальном мире.

Исследователи используют мощные рентгеновские лучи в установке, чтобы изучить структуру конкретных смесей солей. Но время и стоимость реальных экспериментов делают желательным сузить круг кандидатов на проверку.

Машинное обучение включает в себя обучение компьютера анализу ситуации на основе существующих данных. Но в данном случае у исследователей не было обилия подтвержденных примеров для демонстрации модели. Основываясь на предыдущем моделировании, в котором изучались термостойкие материалы, исследователи использовали так называемое активное обучение, чтобы создать переносимую модель для анализа расплавленных солей.

Модель делает прогнозы на основе принципов, а не на набор заранее определенных ответов. Моделирование машинного обучения проводилось с использованием высокопроизводительных вычислительных ресурсов в Аргоннском центре вычислительных ресурсов, а также с использованием кластера Bebop в Центре лабораторных вычислительных ресурсов Аргонны.

Следующим шагом будет работа с еще более сложными данными. Реактор с расплавленной солью — довольно динамичная среда. Условия меняются со временем, и иногда в соль могут попадать примеси. Модель должна предсказывать, как это повлияет на общую структуру расплавленных солей и их свойства.

Подробная информация об исследовании опубликована в статье, которая, к сожалению, не находится в открытом доступе:

J.Guo et al, Composition-transferable machine learning potential for LiCl-KCl molten salts validated by high-energy x-ray diffraction, Physical Review B (2022). DOI: 10.1103/PhysRevB.106.014209