AI开发核能四代堆技术

一种新机器学习模式的出现，使设计非常复杂的熔盐堆变得简单。阿贡国家实验室的科学家介绍了他们的AI熔盐堆开发解决方案。

1、熔盐堆设计挑战

阿贡国家实验室(图源：网络)

尽管熔盐堆的设计优势为四代堆技术吸引了相当多的关注，但该技术也面临着挑战。

用于在反应堆周围运输燃料和提供传热的盐，必须具有特定的特性。反应堆设计者正在寻找合适温度、密度和粘度的盐组合，这些都与液态盐如何循环和用于从反应中获取热量有关。

熔盐堆区域仍有许多未知因素，例如不同成分盐的不同属性。

事实上，有成千上万种不同的混合物和盐的组合，可以以不同的比例混合并用于反应堆设计。

这使得选择理想盐组合任务变得极其复杂。

现在，为了帮助确定正确的熔盐类型，美国能源部(DOE)阿贡国家实验室的研究人员正在部署内部开发的人工智能(AI)技术，探索熔盐组合的特征，从而确定最有希望进行进一步研究的熔盐。

阿贡国家实验室化学和燃料循环技术部的化学工程师郭继成(音译)解释说：“我们尝试不同的盐成分，将其混合的原因是它们具有不同的属性。另一个考虑因素是，在反应堆环境中，当我们引入铀燃料时，这是一个影响铀浓度的动态过程，因为会促进衰变。

随着时间的推移，铀浓度会发生变化，这也会影响盐的属性。改变成分，比如密度、粘度、热容这些因素，属性就会改变，这些对核反应堆的运行都非常重要。”

由于难以进行高温衍射实验和解释结果，解开多组分熔盐的液体结构具有挑战性。

“以前，如果我们进行实验来探索这些特征，我们必须准备很多不同的成分，并在高能X射线下观察每一种成分的结构，这很耗时，”郭说，“此外，处理含有放射性元素的高温熔盐非常具有挑战性，成本也非常高，因为我们必须有专业人员来操作这些仪器。”

然而，另一种方法是使用不同的技术对盐进行计算机建模。

2、反应堆计算机建模

这建模主要为分子动力学模拟，有两种类型。

一种是基于经验力场的经典分子动力学(MD)，其中对包含一千到一万个原子的非常大的单元进行建模。

郭说：“我们可以大致了解这个单位的属性，但由于它使用了一些近似值，所以不太准确。”

另一种方法是第一性原理分子动力学(ab initio MD)，使用密度函数理论(DFT)对一个可能有一百个原子的非常小的单位进行建模。

“这样做的优势是非常准确，但它只能预测一个非常小的单位行为，所以我们不知道在更长的范围内会发生什么。”郭指出。

为了解决与这两种方法相关的问题，阿贡的研究人员开发了一种基于机器学习的高斯近似势(GAP)，能够直接从DFT中学习许多体相互作用。

它结合了这两种计算机模拟的优点，模拟了一个含有数万个原子的非常大的单位，但仍然可以保持第一性原理计算的准确性。

“与这两种技术相比，这是一个巨大的优势。”郭说。

他们的研究旨在确定，由机器学习驱动的计算机模拟是否可以指导和完善现实世界的实验，这些实验随后在DOE科学办公室的用户设施高级光子源(APS)进行。

尽管最初是为特定的熔融氯化锂-氯化钾(LiCl-KCl)盐组合建模的，但AI工具的关键是成分可转移高斯近似势(GAP)，正如郭所说：“我认为这项研究的独特之处在于具有成分可转移势的能力，这意味着我们可以预测我们在训练集中没有引入的成分。”

3、数据集外工作

机器学习通常包括训练计算机根据现有的数据分析各种情况。

阿贡数据科学与学习部助理，计算科学家加内什·西瓦拉曼(Ganesh Sivaraman)说：“机器学习研究的一个主要问题是，不能在训练数据集之外工作。这是许多普通机器学习研究人员正在努力解决的问题。你如何确保这些机器学习工具在训练数据之外的区域工作?”

他补充道：“这里的问题是，在没有训练模型的情况下，如何合并所有训练数据。”

在之前建模工作的基础上，研究人员利用主动学习创建了一个可转移的模型来分析熔盐。

准确的GAP是从10种独特的混合物成分中提取大约1100种训练配置中主动学习的。这些数据被元动力学丰富了。

“机器学习所能做的是学习潜在的非线性，即原子如何在邻域内相互作用。这是从来自最准确数据的训练数据集中学习的。我们可以求解薛定谔方程，直到所选DFT近似的物理极限，本质上我们对一小群原子这样做，然后用它来训练这些机器学习模型。” 西瓦拉曼解释道。

“机器学习模型可以用于运行这些现代求解模拟所需的相同长度尺度，但精度与第一性原理分子动力学计算方法相同。”

“我们使用部分训练的机器学习模型和固定数量的成分，迫使其到一个没有使用元动力学的区域。我们多次打破潜力，以确保它捕捉到所有这些不同的区域，这些区域没有明确包括在训练数据中，我们将其纳入重新训练过程。通过这样的采样，它可以从那里得到无限数量的组合。”

西瓦拉曼说：“我们没有改变成分，而是模拟与成分变化相对应的所有场景，然后迭代地将其纳入机器学习模型。”

这种方法意味着，可转移模型可以应用于多种混合物，而不是适用于一种或两种特定的熔盐混合物成分。

该模型能够基于这些原理，而不是基于知识的数据集进行预测。

在开发了该模型后，使用阿贡领导力计算设施(ALCF)的高性能计算资源进行了机器学习模拟。

4、相互验证

正如西瓦拉曼所说：“我们没有用那个最佳点(即共晶)成分的例子来训练模型，在那里可以得到正确的熔点。不过，我们的模型成功地预测了那个最佳点，即使没有相应的训练输入。”

对于熔融盐，虽然可以将它们以不同的比例混合，并具有几乎无限的混合物组合，但可以使用该模型来探索有前景的新盐成分。

西瓦拉曼指出：“以上所述表明，你确实可以用机器学习模型来做到这一点，然后用物理实验来验证这些数据，这使科学变得更加严格。这意味着你可以发现与应用程序最相关的盐成分，因为即使你没有用实际数据明确训练过，模型也可以在所有这些成分中计算工作。”

研究人员使用APS的强大X射线来仔细观察特定盐混合物的结构，并使用高能X射线衍射来验证该模型。

APS是这些类型测量的独特工具，该设施的6-ID-D光束线用于验证AI分析。

“模拟通常很难与仪器的读数相匹配，尤其是对于高温模型，但当我们将模拟结果与高能衍射的仪器读数进行比较时，它非常匹配，”郭指出。

他补充道：“我们使用实验结果来验证我们的模拟。同时，模拟结果为我们提供了更多关于哪些盐需要进一步研究的细节。它们相互作用。这使我们能够同时研究多种成分。”

5、AI应对更复杂的要求

AI可以针对可能的盐组合进行进一步研究，以支持熔盐反应堆开发。

由于反应堆熔盐的可能成分组成如此巨大，试图为每种可能的组成产生实验数据昂贵和耗时，几乎是不可能的。

鉴于时间和金钱成本，人们希望缩小成分计算范围，因此，科学家们转而使用AI，因为最新的机器学习模型可以理解他们没有看过的东西，并可以推断出有价值的数据。

西瓦拉曼说：“我们已经验证了六种从未训练过的不同成分，结果有效，我们甚至对共晶进行了实验验证，这是机器学习领域的第一个重要结果。”

“目前的研究重点是验证已经设计的模型。然后进行部署，以确定反应堆中使用的理想盐混合物。”

事实上，如今的研究人员已经认可了这种方法的可行性，下一步是处理更复杂的数据，这些数据更能反映运行中的熔盐反应堆的实际环境。

“熔盐反应堆是一个非常动态的环境。随着时间的推移，条件会发生变化，有时杂质会进入盐中，”郭说，“我们想引入少量这些杂质，看看该模型能否预测其对熔盐整体结构及其他方面的影响。”

此外，当杂质进入盐中时，它会开始腐蚀那些高温合金，例如为熔盐反应堆开发的特殊合金，称为哈氏合金-N。这些物质也可以进入盐中。

此外，该模型还必须考虑反应堆运行时的衰变产物，以及铀变成不同密度的不同材料。

一旦科学家们完全验证了该模型，目标是输入一系列理想的特性，如密度或热容和熔点，模型将得出正确的组成。

“在下一步，我们将展示我们可以从元素周期表中随机选择熔融盐，将它们混合在一起创建模型。从元素周期图中选择两到三种不同的盐，然后创建模型。不用做物理实验就能弄清楚其中特性。我们现在有了这种能力。” 西瓦拉曼总结道。

这个项目的关键不仅是找到一种具有理想密度和熔点特性的盐组合，还在于确定它在反应堆系统中的实际操作方式。