熱い塩、クリーン･エネルギー：人工知能が高度な原子炉を
どのように強化できるか
Hot Salt, Clean Energy: How Artificial Intelligence Can Enhance Advanced Nuclear Reactors
By Christina Nunez
https://www.anl.gov/より
Argonne National Laboratory 2022.12.15
アルゴンヌで開発された技術は、溶融塩の候補の分野を絞り込むのに役立つ可能性があることが新しい研究で示されている。
科学者達は次世代の原子力発電所を前進させるための新しい材料を探している。最近の研究では、アメリカエネルギー省のアルゴンヌ国立研究所の科学者達が、人工知能が高度な原子炉の重要なコンポーネントである適切な種類の溶融塩を特定するのにどのように役立つかを示した。
熱を吸収して貯蔵する能力により、溶融塩はクリーン･エネルギーと国の気候目標にとって重要になる。溶融塩は温室効果ガスを排出せずに発電する原子炉の冷却材と燃料の両方として機能する。また、風力や太陽光発電などの変動するエネルギー源を持つ送電網でますます必要とされている大量のエネルギーを蓄えることもできる。
食卓塩の塩を801℃まで加熱すると、塩は溶ける。しかし、エネルギーを持って蓄えるためには、どんな塩でも良いわけではない。科学者達は何十年にもわたって原子炉を効率的に冷却して燃料を供給するために必要な正確な特性を得るために、塩の様々な組み合わせを模索している。これらの特性には、とりわけより低い溶融温度、適切な粘稠度、および大量の熱を吸収する能力が含まれる。
どの溶融塩の青写真が原子炉に望ましい特性を提供するか？潜在的なバリエーションはほぼ無限である。この研究は機械学習によって駆動されるコンピューター・シュミレーションが、アルゴンヌにあるアメリカエネルギー省科学局のユーザー施設であるAdvanced Photon Source(APS)での実世界の実験を導き、洗練できるかどうかを
決定するために着手した。結果は最近、Physical Review B誌に掲載された。
APSの実験結果を使用してシミュレーションを検証した。同時に、シミュレーション結果は、どの塩をさらに研究すべきかについてのより多くの詳細を提供してくれた。彼等は互いに協力している。」とアルゴンヌの化学エンジニアであり、論文の筆頭著者であるJicheng Guoは述べている。「これにより、複数の作曲を同時に研究することができる。」
研究者達はAPSの強力なX線を使用して、特定の塩混合物の構造を注意深く調べることで、特定の塩混合物をより良く理解する。しかし、実際の実験に関連する時間とコストにより、検査を受ける候補の分野を絞り込むことが望ましい。
「溶融塩の可能な組織空間は膨大である。」とアルゴンヌの研究者で論文の共著者であるNathan Hoytは述べている。「したがって、考えられるすべての組成について実験データを取得使用とすることは不可能である。」
施設の6-ID-Dビームラインでは、高エネルギーＸ線回折と呼ばれる技術により、X線ビームが溶融塩の試料から散乱するときに発生するパターンをキャプチャーする。
「APSはこれらのタイプの測定ではユニークである。」とAPSの上級物理学者であり、論文の共著者であるChris Benmoreは述べている。「それが生成する高エネルギーＸ線は、一般的に溶融液体、ガラス、およびアモルファス材料の構造を見るのに非常に適している。」
機械学習では、既存のデータに基づいて状況を分析するようにコンピューターをトレーニングする。しかし、この場合、研究者はモデルを示すための検証済みの例を豊富に持っていなかった。研究者は耐熱材料を探索した以前のモデリングに基づいて、アクティブ・ラーニングと呼ばれるものを使用して溶融塩を分析するための転写可能なモデルを作成した。
転写可能なモデルは1つまたは2つの特定の溶融塩混合物組成物に適合させるのではなく、組成物空間全体にわたる混合物に適用することができる。これらのモデルは、事前定義された回答のセットではなく、原則に基づいて予測を行う。機械学習シミュレーションはアメリカエネルギー省科学局のユーザー施設であるArgonne Leadership Computing Facility (ALCF) の高性能コンピューティング・リソースとアルゴンヌのLaboratory Computing Resource CenterのBebopクラスターを使用して実行された。
「適切な融点が得られるスイート・スポット組成の例でモデルをトレーニングしなかった。」とアルゴンヌの計算科学者で論文の対応する著者であるGanesh Sivaramanは述べている。「我々のモデルは、対応するトレーニング入力がなくても、そのスイート・スポットを予測することができた。」
研究者が、このアプローチが機能することを示したので、次のステップはさらに複雑なデータを扱うことである。
「溶融塩反応器は非常に動的な環境である。条件は時間とともに変化し、として機能するには不純物が塩に入ることがある。」とGuoは述べている。「これらの不純物を少量導入して、それが溶融塩の全体的な構造とその特性にどのように影響するかをモデルが予測できるかどうかを確認したいと考えている。」
以下省略
