编辑丨toileter
随着 AI 的能源需求愈发贪婪，风能、太阳能等时兴热门清洁能源已经无法满足 AI 扩张的胃口。于此时此刻，核电的炒作宛如密西西比河的河水波澜层起。
近些年来，虽然核电的支持者一直在宣扬「核电复兴」，但由于其高昂的成本与较高的维护成本，核能复兴还未获得站上风口的机会。
谷歌上个月签署了一项协议，从 Kairos Power 设计的 6 到 7 个爱马仕小型模块化反应堆中购买总计 500 兆瓦的发电容量——大约是传统核反应堆产量的一半。但尽管公司、亿万富翁和政府投入了大量资金，但核能并不是一个确定的赌注。
如果核能要解决人工智能能源问题，成本和时间并不是必须克服的唯一障碍。由于核电站关闭且没有更换，建造大量核项目所需的劳动力已经减少。而且，还需要考虑核废料的处理与未来放射性武器扩散的可能。
如果想要排除核裂变式核能发电站，那么核聚变的核能发电就成为了最重要的发展目标。
几十年来，核聚变释放能量的「精妙」过程一直吸引着科学家们的研究兴趣。
今年上半年，普林斯顿等离子体研究所，科学家正借助人工智能，来解决人类面临的紧迫挑战：通过聚变等离子体产生清洁、可靠的能源。
可喜可贺的是，他们成功地使用相同的代码，在两个不同的托克马克装置上实现了使用 AI 来避免磁扰动破坏聚变等离子体稳定性的实验结果。
在KSTAR 实验中，ML 集成的自适应 RMP 优化器在 4.5 秒内触发，在 6.2 秒内实现安全的 ELM 抑制。
此外，它还提供了一种稳健的策略，通过最大限度地减少限制和无感电流分数的损失，在长脉冲场景（持续超过 45 秒）中实现稳定的 ELM 抑制。
这对于需要保证安全的核能发电中至关重要。毕竟，目前而言，核爆近距离观测员这个职位并没有太温和的上升空间。
这种集成自适应 RMP 控制是一种非常有前途的优化 ELM 抑制状态的方法，有可能解决实现实用且经济可行的聚变能源的最艰巨的挑战之一。
而在时隔五个月之后的 10 月，中国科学院的研究员再次在等离子体上有所突破。基于先进实验超导托卡马克（EAST）装置上的 X 射线晶体谱仪（XCS）获得等离子体光谱数据，他们利用人工神经网络模型实现了等离子体旋转速度和离子温度剖面的快速预测。
快速准确地获取等离子体的关键参数（如电子密度、电子温度和离子温度）对于提高托卡马克放电性能至关重要。而托卡马克的放电性能又关系到发电装置的供电效率。
在此之中，神经网络的的预判可以作为卷积神经网络的基础，以此提高实际应用中的准确性的基准。虽然由于需要预测不确定性所需的额外预算，但是神经网络再次仍然以十倍的速度优势击败了传统的非线性拟合算法。
此外，模型还具备对输入数据范围和误差的自动识别能力，为提升诊断系统的智能化水平奠定了基础。需要指出的是，此模型算法不局限于特定的诊断系统和物理模型，可以较为快捷地移植并应用于多种诊断系统的数据分析过程。
此番研究为更广泛的聚变研究提供了适应性强的自动化解决方案。
稍后的几天，美国能源部的普林斯顿等离子体物理研究所的一名副研究员宣布道，凭借他们的智慧，可以训练 AI 超过原有数值的限制。
该研究员所属团队开发了一款实时核心离子回旋加速器频率范围 (ICRF) 加热模型。基于两种非线性回归算法，即决策树的随机森林集成和多层感知器神经网络。
一开始，他们使用机器学习技术开发快速的替代模型，这些模型是根据计算机代码生成的数据进行训练的，可以在保持精度的同时能大大缩短计算时间。虽然大部分数据与过去的结果一致，但在某些极端情况下，数据并不理想。
他们观测到有一种参数变化状态，其中的加热曲线在随机位置会出现不规则尖峰。
你的头怎么尖尖的？研究员不禁发问道。
那我问你，你是 AI 是人？异常尖峰反问道。
AI 顺利地消除了所有有问题的数据。后续也没有更多出现错误的方案出现。
该模拟假设了麦克斯韦等离子体，NSTX 和 WEST 中预期的平顶操作场景。而正如预期的那样，这些模型还缩短了 ICRF 加热的计算时间，从大约 60 秒缩短到 2 微秒
模型一把抓住计算任务，顷刻炼化。近千万倍地加快模拟速度，却不会明显影响到计算的准确性。
时间再来到一个月前。
人们意识到，大型的核聚变反应堆耗资高，技术水平要求高，并且处理代价更加高昂。小型反应堆的需求进一步上升。
因此，一种用于远程监控小型核反应堆的智能组件系统应运而生。AI 可以通过检测光纤传感器内部生成的实时数据，来实现 AI 内部驱动的热变形分析。
该研究的创新之处在于将 3D 打印与 AI 相结合的新技术，能够快速处理来自光纤传感器的多个连续变量。该团队使用定向能量沉积（DED）打印方法成功制造了智能核部件，将光纤传感器无缝集成到金属部件中。
这些传感器不需要在测量区域供电，并且随着长度的增加信号损失最小，因此适合多种应用。这些应用包括建筑物结构监测、管道和深海测量。
除此之外，研究团队还使用了 AR 眼镜进行了数字孪生实验。而测试显示，从数据采集到数字孪生环境的可视化，整个过程在不到 2 秒的时间内完成。
这项新技术有望通过使人工智能能够监测通常无法通过人工检查检测到的关键热变形信号，显著提高下一代小型核反应堆的安全性和运行效率。
研发团队预测，这种融合技术的应用范围可以扩展到核能之外，并可能使自主制造系统、航空航天和先进国防等不同行业受益。
辐射能源集团董事总经理 Mark Nelson 在参加《晨间简报》的节目时，就核能股票的增长趋势发表了自己的看法。
相关链接：https://www.youtube.com/watch?v=FJX95GN7xVE
他解释说，人工智能与能源需求的交集让人们意识到，现在的科技公司并没有切实可行的能源增长方案，而这为核能创造了机会。
AI 的持续进化刺激了核能这种大规模发电的发展，而核能科技的进化也需要 AI 的技术支持。在未来，越来越高占比的 AI 产品将会持续渗透到生活的各个方面，在此基础上，清洁大剂量的能源——聚变核能，也将会占用更多算力以提供支持。
这会是一个相辅相成的局面，但未来究竟是可控核聚变率先突破，还是 AI 算法的进化更胜一筹榨干了核能的供给，尚未可知。
参考内容：https://thebulletin.org/2024/12/ai-goes-nuclear/
