Прадіум Індана, 17 років, студент із Монтвейла, штат Нью-Джерсі (зображення надано Інститутом Девідсона) Краще розуміння того, яку кількість тепла може безпечно витримати ядерний реактор, може мати вплив, що виходить далеко за межі одного інженерного розрахунку. Для Прадіума Індани, 17-річного юнака з Монтвейла, штат Нью-Джерсі, цей виклик став центром восьмимісячного дослідницького проекту, який поєднував фізику та […]
Краще розуміння того, яку кількість тепла може безпечно витримати ядерний реактор, може мати вплив, що виходить далеко за межі одного інженерного розрахунку. Для Прадіума Індани, 17-річного юнака з Монтвейла, штат Нью-Джерсі, цей виклик став центром восьмимісячного дослідницького проекту, який поєднував фізику та штучний інтелект. Інститут Девідсона, який призначив Індаану стипендіатом Девідсона 2026 року, заявив, що його заснована на фізиці нейронна мережа зменшила середню помилку прогнозування критичного теплового потоку приблизно з 63% за традиційними формулами до 5,5%. Це дослідження принесло йому стипендію Davidson Fellows у розмірі 50 000 доларів США та визнання за проект, спрямований на покращення прогнозів критичних меж експлуатації ядерних реакторів.
Чому тепло всередині ядерного реактора важливе?
У ядерних реакторах вода відіграє важливу роль у відведенні тепла від паливних стрижнів. Коли вода потрапляє на паливні стрижні і кипить, тепло відводиться. Однак у процесі кип’ятіння є момент, коли тепло більше не може бути ефективно видалено. Цей поріг відомий як критичний тепловий потік (CHF). Перевищення цієї межі може швидко погіршити процес охолодження. Пара може витісняти рідку воду з поверхні паливного стрижня, зменшуючи охолодження та викликаючи швидке підвищення температури паливного стрижня. Через потенційні наслідки для безпеки операторам і інженерам реакторів потрібен надійний спосіб передбачити, де відбудеться ця межа.Проблема, як пояснює Індана в проекті Інституту Девідсона, полягає в тому, що традиційні рівняння, як правило, розробляються та пристосовуються до конкретних експериментальних умов. Тому їх застосування поза цими умовами може знизити точність.
Створюйте моделі ШІ, які включають фізику
Індаана використовував фізично регуляризовані нейронні мережі для вирішення проблеми. Замість того, щоб змушувати модель штучного інтелекту вивчати закономірності лише з експериментальних даних, ми включили обмеження, засновані на фізичній теорії. Модель була навчена на основі даних понад 10 000 експериментів у реальному світі. Індаана також включив обмеження, отримані з теорії гідродинамічної нестабільності, щоб запобігти створенню прогнозів, які порушують відомі фізичні межі.Ця відмінність була важливою, оскільки традиційні моделі машинного навчання можуть мати проблеми, коли вони стикаються з ситуаціями з невеликою кількістю навчальних даних. За словами Індани, ранні версії його моделі добре працювали в областях з великими обсягами даних, але екстраполяція на області з менш добре представленими високоякісними потоками могла дати фізично необґрунтовані прогнози. Він вирішив цю проблему, відкоригувавши фізичну регуляризацію залежно від того, наскільки добре різні емпіричні кореляції узгоджуються для окремих зразків. Він також додав штраф, якщо прогноз перевищує відому фізичну верхню межу.
Помилка зменшена з приблизно 63% до 5,5%
Отримана модель значно підвищила точність прогнозу. За даними Інституту Девідсона, хоча традиційна формула мала середню похибку близько 63%, модель Індани зменшила це число до 5,5%. На фіксованому тестовому наборі даних модель досягла значення R² 0,986. Це статистичний показник того, наскільки добре прогнози моделі відповідають даним, які спостерігаються під час її оцінки. Indaana порівняв свою продуктивність із широко використовуваними кореляціями, які, за його словами, показали на порядок більшу похибку.Цей результат не просто означає, що реактори можуть працювати ближче до своїх теплових меж. Вимоги безпеки ядерних реакторів залишаються жорсткими. Натомість більш точні прогнози могли б допомогти інженерам точніше зрозуміти межі та потенційно пом’якшити певний консерватизм, вбудований у конструкцію та роботу реактора.
Ідея, яка виникла із запитання про синтез
Проект народився під час уроку з термоядерної енергії, який Індана пройшов у рамках наукової програми Колумбійського університету. Він запитав, чому реактори, які вже добре охарактеризовані, все ще повинні експлуатуватися консервативно. Відповідь привела його до визначення критичного теплового потоку та невизначеності, пов’язані з його прогнозуванням у різних робочих режимах. Потім він вирішив дослідити, чи може машинне навчання покращити ситуацію, залишаючись обмеженим усталеними фізичними знаннями.Його інтереси виходять за межі звичайних ядерних реакторів. Індана розповів Інституту Девідсона, що його цікавить перетин матеріалознавства, квантової фізики, обчислювальної техніки та ядерного синтезу, і він хотів би вивчати фізику в коледжі. Його проект також досліджує, як засноване на фізиці машинне навчання може бути застосоване до інженерних проблем, де знання часто виражаються в термінах емпіричних кореляцій і фізичних меж, а не повних керівних рівнянь.
самостійна дослідницька діяльність
Indaana знадобилося приблизно вісім місяців, щоб завершити проект, який включав огляд літератури, збір даних, розробку функцій, розробку моделі, статистичну оцінку та написання статті. Він сам навчився більшій частині термогідравліки, машинного навчання на основі фізики та статистики, необхідних для його роботи.Замість того, щоб покладатися виключно на зменшення помилок передбачення, він також використовував статистичні методи, такі як завантажувальна повторна вибірка та парні непараметричні тести. Розробка моделей та експерименти проводилися на їхніх власних комп’ютерах, а для навчання використовувалися хмарні ресурси, такі як Kaggle. Він отримав керівництво від свого наставника щодо ширшого дослідницького процесу.
Отримав стипендію в розмірі 50 000 доларів на знак визнання
За роботу Індани він був названий стипендіатом Девідсона 2026 року. Програма відзначає студентів віком до 18 років, які досягли видатних досягнень у галузях науки, техніки, інженерії, математики, літератури та музики. Інститут Девідсона призначив йому стипендію в розмірі 50 000 доларів США за його проект.Його дослідження показує, як штучний інтелект можна використовувати не лише для обробки великих обсягів даних, але й для поєднання навчання на основі даних із усталеними науковими принципами. У випадку з Інданою цей підхід може дати значно точніший спосіб прогнозування складних інженерних меж і запропонувати новий спосіб підходу до проблем, де безпека залежить від розуміння обмежень фізичних систем.
