一種新機器學習模式的出現，使設計非常復雜的熔鹽堆變得簡單。阿貢國家實驗室的科學家介紹了他們的AI熔鹽堆開發解決方案。

1、熔鹽堆設計挑戰

阿貢國家實驗室(圖源：網絡)

盡管熔鹽堆的設計優勢為四代堆技術吸引了相當多的關注，但該技術也面臨著挑戰。

用于在反應堆周圍運輸燃料和提供傳熱的鹽，必須具有特定的特性。反應堆設計者正在尋找合適溫度、密度和粘度的鹽組合，這些都與液態鹽如何循環和用于從反應中獲取熱量有關。

熔鹽堆區域仍有許多未知因素，例如不同成分鹽的不同屬性。

事實上，有成千上萬種不同的混合物和鹽的組合，可以以不同的比例混合并用于反應堆設計。

這使得選擇理想鹽組合任務變得極其復雜。

現在，為了幫助確定正確的熔鹽類型，美國能源部(DOE)阿貢國家實驗室的研究人員正在部署內部開發的人工智能(AI)技術，探索熔鹽組合的特征，從而確定最有希望進行進一步研究的熔鹽。

阿貢國家實驗室化學和燃料循環技術部的化學工程師郭繼成(音譯)解釋說：“我們嘗試不同的鹽成分，將其混合的原因是它們具有不同的屬性。另一個考慮因素是，在反應堆環境中，當我們引入鈾燃料時，這是一個影響鈾濃度的動態過程，因為會促進衰變。

隨著時間的推移，鈾濃度會發生變化，這也會影響鹽的屬性。改變成分，比如密度、粘度、熱容這些因素，屬性就會改變，這些對核反應堆的運行都非常重要。”

由于難以進行高溫衍射實驗和解釋結果，解開多組分熔鹽的液體結構具有挑戰性。

“以前，如果我們進行實驗來探索這些特征，我們必須準備很多不同的成分，并在高能X射線下觀察每一種成分的結構，這很耗時，”郭說，“此外，處理含有放射性元素的高溫熔鹽非常具有挑戰性，成本也非常高，因為我們必須有專業人員來操作這些儀器。”

然而，另一種方法是使用不同的技術對鹽進行計算機建模。

2、反應堆計算機建模

這建模主要為分子動力學模擬，有兩種類型。

一種是基于經驗力場的經典分子動力學(MD)，其中對包含一千到一萬個原子的非常大的單元進行建模。

郭說：“我們可以大致了解這個單位的屬性，但由于它使用了一些近似值，所以不太準確。”

另一種方法是第一性原理分子動力學(ab initio MD)，使用密度函數理論(DFT)對一個可能有一百個原子的非常小的單位進行建模。

“這樣做的優勢是非常準確，但它只能預測一個非常小的單位行為，所以我們不知道在更長的范圍內會發生什么。”郭指出。

為了解決與這兩種方法相關的問題，阿貢的研究人員開發了一種基于機器學習的高斯近似勢(GAP)，能夠直接從DFT中學習許多體相互作用。

它結合了這兩種計算機模擬的優點，模擬了一個含有數萬個原子的非常大的單位，但仍然可以保持第一性原理計算的準確性。

“與這兩種技術相比，這是一個巨大的優勢。”郭說。

他們的研究旨在確定，由機器學習驅動的計算機模擬是否可以指導和完善現實世界的實驗，這些實驗隨后在DOE科學辦公室的用戶設施高級光子源(APS)進行。

盡管最初是為特定的熔融氯化鋰-氯化鉀(LiCl-KCl)鹽組合建模的，但AI工具的關鍵是成分可轉移高斯近似勢(GAP)，正如郭所說：“我認為這項研究的獨特之處在于具有成分可轉移勢的能力，這意味著我們可以預測我們在訓練集中沒有引入的成分。”

3、數據集外工作

機器學習通常包括訓練計算機根據現有的數據分析各種情況。

阿貢數據科學與學習部助理，計算科學家加內什·西瓦拉曼(Ganesh Sivaraman)說：“機器學習研究的一個主要問題是，不能在訓練數據集之外工作。這是許多普通機器學習研究人員正在努力解決的問題。你如何確保這些機器學習工具在訓練數據之外的區域工作?”

他補充道：“這里的問題是，在沒有訓練模型的情況下，如何合并所有訓練數據。”

在之前建模工作的基礎上，研究人員利用主動學習創建了一個可轉移的模型來分析熔鹽。

準確的GAP是從10種獨特的混合物成分中提取大約1100種訓練配置中主動學習的。這些數據被元動力學豐富了。

“機器學習所能做的是學習潛在的非線性，即原子如何在鄰域內相互作用。這是從來自最準確數據的訓練數據集中學習的。我們可以求解薛定諤方程，直到所選DFT近似的物理極限，本質上我們對一小群原子這樣做，然后用它來訓練這些機器學習模型。” 西瓦拉曼解釋道。

“機器學習模型可以用于運行這些現代求解模擬所需的相同長度尺度，但精度與第一性原理分子動力學計算方法相同。”

“我們使用部分訓練的機器學習模型和固定數量的成分，迫使其到一個沒有使用元動力學的區域。我們多次打破潛力，以確保它捕捉到所有這些不同的區域，這些區域沒有明確包括在訓練數據中，我們將其納入重新訓練過程。通過這樣的采樣，它可以從那里得到無限數量的組合。”

西瓦拉曼說：“我們沒有改變成分，而是模擬與成分變化相對應的所有場景，然后迭代地將其納入機器學習模型。”

這種方法意味著，可轉移模型可以應用于多種混合物，而不是適用于一種或兩種特定的熔鹽混合物成分。

該模型能夠基于這些原理，而不是基于知識的數據集進行預測。

在開發了該模型后，使用阿貢領導力計算設施(ALCF)的高性能計算資源進行了機器學習模擬。

4、相互驗證

正如西瓦拉曼所說：“我們沒有用那個最佳點(即共晶)成分的例子來訓練模型，在那里可以得到正確的熔點。不過，我們的模型成功地預測了那個最佳點，即使沒有相應的訓練輸入。”

對于熔融鹽，雖然可以將它們以不同的比例混合，并具有幾乎無限的混合物組合，但可以使用該模型來探索有前景的新鹽成分。

西瓦拉曼指出：“以上所述表明，你確實可以用機器學習模型來做到這一點，然后用物理實驗來驗證這些數據，這使科學變得更加嚴格。這意味著你可以發現與應用程序最相關的鹽成分，因為即使你沒有用實際數據明確訓練過，模型也可以在所有這些成分中計算工作。”

研究人員使用APS的強大X射線來仔細觀察特定鹽混合物的結構，并使用高能X射線衍射來驗證該模型。

APS是這些類型測量的獨特工具，該設施的6-ID-D光束線用于驗證AI分析。

“模擬通常很難與儀器的讀數相匹配，尤其是對于高溫模型，但當我們將模擬結果與高能衍射的儀器讀數進行比較時，它非常匹配，”郭指出。

他補充道：“我們使用實驗結果來驗證我們的模擬。同時，模擬結果為我們提供了更多關于哪些鹽需要進一步研究的細節。它們相互作用。這使我們能夠同時研究多種成分。”

5、AI應對更復雜的要求

AI可以針對可能的鹽組合進行進一步研究，以支持熔鹽反應堆開發。

由于反應堆熔鹽的可能成分組成如此巨大，試圖為每種可能的組成產生實驗數據昂貴和耗時，幾乎是不可能的。

鑒于時間和金錢成本，人們希望縮小成分計算范圍，因此，科學家們轉而使用AI，因為最新的機器學習模型可以理解他們沒有看過的東西，并可以推斷出有價值的數據。

西瓦拉曼說：“我們已經驗證了六種從未訓練過的不同成分，結果有效，我們甚至對共晶進行了實驗驗證，這是機器學習領域的第一個重要結果。”

“目前的研究重點是驗證已經設計的模型。然后進行部署，以確定反應堆中使用的理想鹽混合物。”

事實上，如今的研究人員已經認可了這種方法的可行性，下一步是處理更復雜的數據，這些數據更能反映運行中的熔鹽反應堆的實際環境。

“熔鹽反應堆是一個非常動態的環境。隨著時間的推移，條件會發生變化，有時雜質會進入鹽中，”郭說，“我們想引入少量這些雜質，看看該模型能否預測其對熔鹽整體結構及其他方面的影響。”

此外，當雜質進入鹽中時，它會開始腐蝕那些高溫合金，例如為熔鹽反應堆開發的特殊合金，稱為哈氏合金-N。這些物質也可以進入鹽中。

此外，該模型還必須考慮反應堆運行時的衰變產物，以及鈾變成不同密度的不同材料。

一旦科學家們完全驗證了該模型，目標是輸入一系列理想的特性，如密度或熱容和熔點，模型將得出正確的組成。

“在下一步，我們將展示我們可以從元素周期表中隨機選擇熔融鹽，將它們混合在一起創建模型。從元素周期圖中選擇兩到三種不同的鹽，然后創建模型。不用做物理實驗就能弄清楚其中特性。我們現在有了這種能力。” 西瓦拉曼總結道。

這個項目的關鍵不僅是找到一種具有理想密度和熔點特性的鹽組合，還在于確定它在反應堆系統中的實際操作方式。