设计下一代核反应堆是一项巨大的壮举。这些复杂的机器不仅需要制造数十年，而且其性能必须满足严格的安全和操作要求。
自1940年代后期以来 ，美国能源部(DOE)阿贡国家实验室的研究人员一直在研究核反应堆的新设计并制定法规以分析其安全性和性能。现在，他们将数十年的知识与最新的人工智能(AI)方法和工具整合在一起。这样做可以帮助研究人员更好地了解控制核反应堆的机制，反应堆设计人员和分析人员可以使用该机制来改善其设计，运行和安全性。
建模核现象
机器学习帮助系统根据数据模式自动学习，并做出更好的搜索，决策或预测。核工程师Acacia Brunett和Argonne核科学与工程部门的其他研究人员正在使用机器学习方法来生成各种核热工过程的快速运行模型。他们正在研究行为，包括冷却剂的混合和流动以及热分层，热分层描述了通常在低流量条件下容纳在大型容器中的液体中出现的温度变化。
没有大量的计算负担，这些过程可能很难准确预测。但是它们会严重影响反应堆的安全性和性能。
例如，当池中液体各层的温度变化时，这种情况会导致热疲劳，这种过程会使反应器中的组分降解。这缩短了部件或反应器整体的总寿命。这也可能削弱某些先进反应堆的安全性。通过探索这些现象的方法，研究人员可以创建一个框架，以进行更快速，更全面的设计和分析。
量化不确定性
Burnett和其他人也在研究使用机器学习来更快地测量不确定性的方法，这揭示了他们对预测的信心。
“预测性模拟都具有一定程度的不确定性，这些不确定性是我们无法确切知道的特征，” Brunett说。“实施例可以包括制造的部件，如厚度，发射率(的材料性质多少热表面EMIT)，或一些其它的物理现象。了解这些不确定性是我们的责任，这通常是一个非常艰巨的过程。”
该过程很耗时，因为它通常需要数百至数千次重复分析，并且在某些情况下还需要几次高保真度仿真，这些计算会带来很高的计算负担。Brunett和其他人正在探索创建和使用机器学习模型的方法，以使这种分析更加有效，并减少量化不确定性和优化设计所需的总时间。
通过机器学习，科学家正在分析大量的计算数据并确定描述系统基本行为的关键组件。例如，使用数百万个数据点来表征先进反应堆的行为。但是使用这种新方法，系统可以由数千个数据点表示。使用这些方法表征系统的响应可以减少总的分析时间，同时仍然可以直接量化不确定性。
传统与AI集成方法
核专家传统上使用理论和观察来创建核过程模型，并使用它们进行高保真度模拟。然后，他们将模拟结果与实际观察结果进行比较，相应地调整其模型，并再次进行模拟，直到他们的模型可以准确地预测实际行为为止。
相反，使用机器学习，研究人员可以更快地创建相对准确的模型。与传统方法不同，机器学习工具可以相对较高的精度预测安全关键特征，现象或趋势的行为，而分析师可能会忽略这些行为。
“高保真模拟可以帮助我们计算不同核现象的微观细节，然后生成训练数据以开发机器学习模型，” Brunett说。“这些模型然后可以准确地估计定义这些微细节，例如质量和能量传输参数”。
与系统级代码集成
开发完这些模型后，Brunett等人将它们直接集成到Argonne开发的先进反应堆安全分析工具中，以进行进一步测试。机器学习模型可以替代当今系统代码中内置的现有模型，这将提高软件的预测能力和/或解决软件中的已知限制。使用这些工具，研究人员可以继续改善下一代技术的设计和安全性，从而在美国发展核能。
“我们一直都在系统级代码自 1960 S和总有新的东西，以解决与代码，使用该软件的新途径，这就是为什么我们需要继续发展的这些方法，” Brunett说。