編輯丨toileter
隨著 AI 的能源需求愈發貪婪，風能、太陽能等時興熱門清潔能源已經無法滿足 AI 擴張的胃口。於此時此刻，核電的炒作宛如密西西比河的河水波瀾層起。
近些年來，雖然核電的支持者一直在宣揚「核電復興」，但由於其高昂的成本與較高的維護成本，核能復興還未獲得站上風口的機會。
谷歌上個月簽署了一項協議，從 Kairos Power 設計的 6 到 7 個愛馬仕小型模組化反應堆中購買總計 500 兆瓦的發電容量——大約是傳統核反應堆產量的一半。但儘管公司、億萬富翁和政府投入了大量資金，但核能並不是一個確定的賭注。
如果核能要解決人工智慧能源問題，成本和時間並不是必須克服的唯一障礙。由於核電站關閉且沒有更換，建造大量核專案所需的勞動力已經減少。而且，還需要考慮核廢料的處理與未來放射性武器擴散的可能。
如果想要排除核裂變式核能發電站，那麼核聚變的核能發電就成為了最重要的發展目標。
幾十年來，核聚變釋放能量的「精妙」過程一直吸引著科學家們的研究興趣。
今年上半年，普林斯頓等離子體研究所，科學家正藉助人工智慧，來解決人類面臨的緊迫挑戰：透過聚變等離子體產生清潔、可靠的能源。
可喜可賀的是，他們成功地使用相同的程式碼，在兩個不同的托克馬克裝置上實現了使用 AI 來避免磁擾動破壞聚變等離子體穩定性的實驗結果。
在KSTAR 實驗中，ML 整合的自適應 RMP 最佳化器在 4.5 秒內觸發，在 6.2 秒內實現安全的 ELM 抑制。
此外，它還提供了一種穩健的策略，透過最大限度地減少限制和無感電流分數的損失，在長脈衝場景（持續超過 45 秒）中實現穩定的 ELM 抑制。
這對於需要保證安全的核能發電中至關重要。畢竟，目前而言，核爆近距離觀測員這個職位並沒有太溫和的上升空間。
這種整合自適應 RMP 控制是一種非常有前途的最佳化 ELM 抑制狀態的方法，有可能解決實現實用且經濟可行的聚變能源的最艱鉅的挑戰之一。
而在時隔五個月之後的 10 月，中國科學院的研究員再次在等離子體上有所突破。基於先進實驗超導託卡馬克（EAST）裝置上的 X 射線晶體譜儀（XCS）獲得等離子體光譜資料，他們利用人工神經網路模型實現了等離子體旋轉速度和離子溫度剖面的快速預測。
快速準確地獲取等離子體的關鍵引數（如電子密度、電子溫度和離子溫度）對於提高託卡馬克放電效能至關重要。而託卡馬克的放電效能又關係到發電裝置的供電效率。
在此之中，神經網路的的預判可以作為卷積神經網路的基礎，以此提高實際應用中的準確性的基準。雖然由於需要預測不確定性所需的額外預算，但是神經網路再次仍然以十倍的速度優勢擊敗了傳統的非線性擬合演算法。
此外，模型還具備對輸入資料範圍和誤差的自動識別能力，為提升診斷系統的智慧化水平奠定了基礎。需要指出的是，此模型演算法不侷限於特定的診斷系統和物理模型，可以較為快捷地移植並應用於多種診斷系統的資料分析過程。
此番研究為更廣泛的聚變研究提供了適應性強的自動化解決方案。
稍後的幾天，美國能源部的普林斯頓等離子體物理研究所的一名副研究員宣佈道，憑藉他們的智慧，可以訓練 AI 超過原有數值的限制。
該研究員所屬團隊開發了一款實時核心離子迴旋加速器頻率範圍 (ICRF) 加熱模型。基於兩種非線性迴歸演算法，即決策樹的隨機森林整合和多層感知器神經網路。
一開始，他們使用機器學習技術開發快速的替代模型，這些模型是根據計算機程式碼生成的資料進行訓練的，可以在保持精度的同時能大大縮短計算時間。雖然大部分資料與過去的結果一致，但在某些極端情況下，資料並不理想。
他們觀測到有一種引數變化狀態，其中的加熱曲線在隨機位置會出現不規則尖峰。
你的頭怎麼尖尖的？研究員不禁發問道。
那我問你，你是 AI 是人？異常尖峰反問道。
AI 順利地消除了所有有問題的資料。後續也沒有更多出現錯誤的方案出現。
該模擬假設了麥克斯韋等離子體，NSTX 和 WEST 中預期的平頂操作場景。而正如預期的那樣，這些模型還縮短了 ICRF 加熱的計算時間，從大約 60 秒縮短到 2 微秒
模型一把抓住計算任務，頃刻煉化。近千萬倍地加快模擬速度，卻不會明顯影響到計算的準確性。
時間再來到一個月前。
人們意識到，大型的核聚變反應堆耗資高，技術水平要求高，並且處理代價更加高昂。小型反應堆的需求進一步上升。
因此，一種用於遠端監控小型核反應堆的智慧元件系統應運而生。AI 可以透過檢測光纖感測器內部生成的實時資料，來實現 AI 內部驅動的熱變形分析。
該研究的創新之處在於將 3D 列印與 AI 相結合的新技術，能夠快速處理來自光纖感測器的多個連續變數。該團隊使用定向能量沉積（DED）列印方法成功製造了智慧核部件，將光纖感測器無縫整合到金屬部件中。
這些感測器不需要在測量區域供電，並且隨著長度的增加訊號損失最小，因此適合多種應用。這些應用包括建築物結構監測、管道和深海測量。
除此之外，研究團隊還使用了 AR 眼鏡進行了數字孿生實驗。而測試顯示，從資料採集到數字孿生環境的視覺化，整個過程在不到 2 秒的時間內完成。
這項新技術有望透過使人工智慧能夠監測通常無法透過人工檢查檢測到的關鍵熱變形訊號，顯著提高下一代小型核反應堆的安全性和執行效率。
研發團隊預測，這種融合技術的應用範圍可以擴充套件到核能之外，並可能使自主製造系統、航空航天和先進國防等不同行業受益。
輻射能源集團董事總經理 Mark Nelson 在參加《晨間簡報》的節目時，就核能股票的增長趨勢發表了自己的看法。
相關連結：https://www.youtube.com/watch?v=FJX95GN7xVE
他解釋說，人工智慧與能源需求的交集讓人們意識到，現在的科技公司並沒有切實可行的能源增長方案，而這為核能創造了機會。
AI 的持續進化刺激了核能這種大規模發電的發展，而核能科技的進化也需要 AI 的技術支援。在未來，越來越高佔比的 AI 產品將會持續滲透到生活的各個方面，在此基礎上，清潔大劑量的能源——聚變核能，也將會佔用更多算力以提供支援。
這會是一個相輔相成的局面，但未來究竟是可控核聚變率先突破，還是 AI 演算法的進化更勝一籌榨乾了核能的供給，尚未可知。
參考內容：https://thebulletin.org/2024/12/ai-goes-nuclear/