Ymasiad niwclear AI: Mae cynhyrchu pŵer cynaliadwy yn cwrdd â chyfrifiadura pwerdy

CREDYD DELWEDD:
Credyd Delwedd
iStock

Ymasiad niwclear AI: Mae cynhyrchu pŵer cynaliadwy yn cwrdd â chyfrifiadura pwerdy

Ymasiad niwclear AI: Mae cynhyrchu pŵer cynaliadwy yn cwrdd â chyfrifiadura pwerdy

Testun is-bennawd
Gallai systemau deallusrwydd artiffisial gyflymu datblygiad gweithfeydd pŵer ymasiad niwclear masnachol.
    • Awdur:
    • enw awdur
      Rhagolwg Quantumrun
    • Gorffennaf 18, 2022

    Crynodeb mewnwelediad

    Mae ymasiad niwclear, ffynhonnell bosibl o ynni toreithiog a glân, wedi gweld datblygiadau sylweddol trwy gymwysiadau deallusrwydd artiffisial (AI) mewn dadansoddi plasma a modelu rhagfynegol. Mae'r datblygiadau arloesol hyn sy'n cael eu gyrru gan AI yn cyflymu'r broses ymchwil ymasiad, gan ei gwneud yn fwy effeithlon a lleihau risgiau a chostau sy'n gysylltiedig â difrod i offer. Gall yr effaith gymdeithasol ehangach gynnwys newid mewn dulliau cynhyrchu ynni, mwy o ffocws ar addysg STEM, a newidiadau geopolitical posibl wrth i ynni ymasiad ddod yn fwy hyfyw.

    Cyd-destun ymasiad niwclear AI

    Mae gwyddonwyr wedi bod yn ymdrechu i ddatblygu proses ymasiad niwclear sefydlog, diogel sy'n cynhyrchu ynni'n barhaus ers y 1940au. Mae'r broses hon, unwaith y bydd wedi'i pherffeithio, yn addo cynnig ffynhonnell pŵer darbodus, ecogyfeillgar, a bron yn ddiderfyn. Mae ganddo'r potensial i leihau'n sylweddol y ddibyniaeth ar ffynonellau trydan traddodiadol, megis tanwyddau ffosil ac i raddau, ffynonellau ynni adnewyddadwy. 

    Yn 2021, gwnaeth y gwyddonwyr cyfrifiadurol o Sweden Stefano Markidis a Xavier Aguilar gyfraniad sylweddol i'r maes hwn. Fe wnaethant ddatblygu algorithm AI dysgu dwfn sy'n symleiddio'n effeithiol gam cymhleth wrth ddadansoddi plasma, cydran allweddol mewn ymasiad niwclear. Mae'r cam hwn yn cynnwys cyfrifo maes electromagnetig plasma. Profodd eu dull yn gyflymach ac yn fwy effeithlon na dulliau traddodiadol, a oedd yn dibynnu ar fformiwlâu mathemategol cymhleth. 

    Gan ddangos ymhellach botensial AI mewn ymchwil ymasiad niwclear, cyflwynodd Kyle Morgan a Chris Hansen o Brifysgol Washington dechneg newydd. Mae eu hymchwil, sy'n canolbwyntio ar ragfynegi ymddygiad plasma, yn defnyddio dysgu peirianyddol (ML), yn benodol dull ystadegol a elwir yn atchweliad. Mae'r dull hwn i bob pwrpas yn hidlo senarios sy'n arwain at ganlyniadau afresymegol. O ganlyniad, mae eu system yn gweithredu gyda llai o ddata, llai o adnoddau prosesu, a llai o amser. 

    Effaith aflonyddgar

    Mae integreiddio AI mewn ymchwil ymasiad niwclear ar fin trawsnewid sut mae gwyddonwyr yn rheoli anweddolrwydd plasma mewn profion ymasiad. Mae ansefydlogrwydd plasma yn her hollbwysig; pan fydd plasma yn dod yn gyfnewidiol, gall dorri cyfyngiad a difrod neu hyd yn oed ddinistrio offer drud. Mae defnyddio modelau AI i ragweld aflonyddwch o'r fath yn rhoi rhagwelediad hanfodol i wyddonwyr. Mae rhagfynegiadau cywir o ymddygiad plasma yn caniatáu ar gyfer addasiadau amserol, gan leihau'r risg o fethiannau offer costus ac aflonyddwch arbrofion.

    Mae cymhwysiad AI hefyd yn arf pwerus wrth ddadansoddi data o arbrofion a fethwyd. Trwy archwilio'r methiannau hyn, gall AI ddatgelu patrymau a mewnwelediadau a allai anwybyddu ymchwilwyr dynol. Gall y dadansoddiad hwn arwain at ddatblygu atebion peirianneg arloesol, gan wella effeithlonrwydd a diogelwch cyffredinol arbrofion ymasiad. Wrth i wyddonwyr gael dealltwriaeth ddyfnach o achosion tarfu, gallant ddyfeisio strategaethau i wneud y digwyddiadau hyn yn llai aml. Mae'r cylch dysgu parhaus hwn, sy'n cael ei bweru gan AI, yn hanfodol i fireinio'r broses ymasiad, gan gyfrannu yn y pen draw at ffynhonnell ynni fwy sefydlog a dibynadwy.

    At hynny, mae gallu AI i ddatrys hafaliadau mathemategol cymhleth sy'n gysylltiedig ag ymchwil plasma yn hanfodol. Mae'r hafaliadau hyn yn hanfodol i ddeall ymddygiad plasma ond maent yn aml yn cymryd llawer o amser i'w datrys â llaw. Mae AI yn cyflymu'r broses hon, gan ddarparu canlyniadau cyflymach a mwy cywir. Mae'r cyflymiad hwn yn hanfodol ar gyfer datblygu ymchwil ymasiad niwclear, gan ei symud yn nes at hyfywedd masnachol.

    Goblygiadau cymhwyso AI i ymchwil ymasiad niwclear

    Gallai goblygiadau ehangach defnyddio systemau AI wrth ymchwil ymasiad niwclear gynnwys:

    • Prosesau dylunio ailadroddol a yrrir gan AI wrth ddatblygu ynni ymasiad, gan arwain at ddyluniadau planhigion optimaidd a defnydd effeithlon o adnoddau trwy efelychiadau deuol digidol.
    • (2040au) busnesau ecogyfeillgar yn mabwysiadu ymasiad niwclear yn gynyddol fel dewis amgen cynaliadwy i ffynonellau trydan confensiynol, gan leihau eu hôl troed carbon.
    • (2040au) Lleihad graddol yn y gweithlu mewn gweithfeydd pŵer tanwydd ffosil traddodiadol, wrth i ymasiad niwclear ddod yn fwy hygyrch i'r cyhoedd.
    • Llywodraethau yn gweithredu polisïau i reoli’r newid o danwydd ffosil i ynni ymasiad, gan sicrhau newid cytbwys a theg yn y sector ynni.
    • Mwy o fuddsoddiad mewn rhaglenni addysg a hyfforddiant STEM, gan baratoi gweithlu’r dyfodol ar gyfer swyddi sy’n dod i’r amlwg yn y diwydiant ymasiad niwclear.
    • Ymddangosiad modelau busnes newydd yn y sector ynni, yn canolbwyntio ar gynhyrchu pŵer ymasiad datganoledig a chymunedol.
    • Gwell diogelwch ynni byd-eang wrth i wledydd ddod yn llai dibynnol ar danwydd ffosil wedi'i fewnforio ac yn fwy dibynnol ar ynni ymasiad a gynhyrchir yn ddomestig.
    • Newidiadau geopolitical posibl wrth i wledydd sydd â thechnoleg ymasiad niwclear uwch gael dylanwad yn y farchnad ynni fyd-eang.

    Cwestiynau i'w hystyried

    • Ydych chi'n meddwl y bydd ynni adnewyddadwy fel batris solar, gwynt a'r genhedlaeth nesaf yn gwneud ynni ymasiad yn segur erbyn i dechnoleg ymasiad gael ei berffeithio a'i gwneud yn fasnachol hyfyw?
    • Sut mae AI yn cael ei gymhwyso i wella peirianneg mathau eraill o gynhyrchu ynni?

    Cyfeiriadau mewnwelediad

    Cyfeiriwyd at y cysylltiadau poblogaidd a sefydliadol canlynol ar gyfer y mewnwelediad hwn:

    Yr Harvard Gazette Yn cynnwys yr haul