Mykhailo Pyrtko o renesansie nuklearnym i roli sztucznej inteligencji

1. Wprowadzenie: drugie życie energetyki jądrowej

Energetyka jądrowa zajmuje paradoksalne miejsce w krajobrazie energetycznym dwudziestego pierwszego wieku. Niegdyś uznawana za technologię zdolną dostarczyć nieograniczoną, czystą energię elektryczną, popadła w długotrwałą niełaskę po awariach w Three Mile Island (1979), Czarnobylu (1986) i Fukushimie (2011). Dziesięciolecia zaostrzania przepisów, przekroczeń kosztów i nieufności społecznej w połączeniu zatrzymały nowe inwestycje w znacznej części zachodniego świata. Dziś jednak dokonuje się niezwykły zwrot.

Splot różnych presji - przyspieszone zobowiązania klimatyczne, gwałtownie rosnący popyt na energię elektryczną ze strony centrów danych i elektryfikacji, a także coraz powszechniejsze uznanie, że przerywalne odnawialne źródła energii samodzielnie nie mogą zagwarantować mocy bazowej - zrehabilitował energetykę jądrową w oczach rządów, inwestorów i technologów. W 2023 roku deklaracja COP28 wezwała do potrojenia globalnych mocy jądrowych do 2050 roku, a wiodące firmy technologiczne, w tym Microsoft, Google i Amazon, podpisały umowy na bezpośrednie zakupy energii elektrycznej pochodzenia jądrowego. Pytanie nie brzmi już, czy energetyka jądrowa odegra rolę w transformacji energetycznej, lecz jak szybko uda się ją skalować.

Odpowiedź na to pytanie w coraz większym stopniu wiąże się ze sztuczną inteligencją. AI staje się fundamentalnym katalizatorem we wszystkich wymiarach energetyki jądrowej - od badań fizyki plazmy w laboratoriach syntezy jądrowego po predykcyjne utrzymanie ruchu w działających reaktorach, od optymalizacji procedur regulacyjnych przy nowych budowach po autonomiczną eksploatację małych reaktorów modułowych (SMR) nowej generacji. Niniejszy artykuł omawia kolejno każdą z tych dziedzin, oceniając zarówno obecny stan wdrożenia, jak i długoterminowy potencjał partnerstwa AI z energetyką jądrową.

2. AI w laboratorium syntezy jądrowej: oswajanie słońca

Synteza jądrowa - proces napędzający gwiazdy - od dawna stanowiła ostateczną nagrodę w badaniach energetycznych: praktycznie niewyczerpane, z natury bezpieczne i bezemisyjne źródło energii. Postępy w kierunku praktycznej syntezy były jednak notorycznie powolne, co utrwaliło żart, że komercyjna synteza jest "trzydzieści lat" przed nami od już siedemdziesięciu lat. Sztuczna inteligencja zaczyna w istotny sposób zmieniać ten rachunek.

Centralnym wyzwaniem inżynieryjnym magnetycznego utrzymania plazmy jest kontrola plazmy - przegrzanego, zjonizowanego gazu, który musi być utrzymywany w temperaturach powyżej 100 milionów stopni Celsjusza wewnątrz struktury pola magnetycznego zwanej tokamak. Zachowanie plazmy jest turbulentne, nieliniowe i wyjątkowo wrażliwe na małe zaburzenia. Tradycyjne algorytmy sterowania, projektowane w oparciu o stałe modele fizyczne, nie radzą sobie z pełną złożonością dynamiki plazmy w czasie rzeczywistym.

W 2022 roku przełomowa współpraca DeepMind ze Szwajcarskim Centrum Plazmy przy EPFL wykazała, że agent głębokiego uczenia ze wzmocnieniem może nauczyć się sterować kształtem plazmy w tokamak - Variable Configuration Tokamak (TCV) w Lozannie - z elastycznością i precyzją przewyższającą metody konwencjonalne. Agent był trenowany wyłącznie w symulacji, a następnie wdrożony na fizycznym reaktorze, z powodzeniem utrzymując nowe konfiguracje plazmy, w tym jednoczesne podtrzymywanie dwóch odrębnych pętli plazmy. Osiągnięcie to pokazało, że agenci AI potrafią opanować wyjątkowo złożony problem sterowania fizyką plazmy, potencjalnie znacząco skracając harmonogramy badań.

Poza sterowaniem plazmą, AI przyspiesza badania materiałoznawcze istotne dla syntezy. Modele uczenia maszynowego są stosowane do odkrywania i charakteryzacji materiałów zdolnych do wytrzymywania ekstremalnych strumieni neutronów i obciążeń cieplnych wewnątrz reaktorów syntezy - wyzwanie materiałoznawcze stanowiące od dawna wąskie gardło. Modele generatywne i grafowe sieci neuronowe umożliwiają badaczom eksplorację kandydatów na materiały w tempie o rzędy wielkości szybszym niż tradycyjne podejścia eksperymentalne. Commonwealth Fusion Systems (CFS), spółka odpryskowa MIT rozwijająca kompaktowe podejście do tokamak z wykorzystaniem wysokotemperaturowych magnesów nadprzewodzących, szeroko stosuje symulacje wspomagane przez AI w swoim procesie inżynieryjnym.

3. Mądrzejszy rozszczep: AI w działających reaktorach

Podczas gdy synteza pozostaje perspektywą długoterminową, AI przynosi już dziś wymierne korzyści w istniejącej flocie około 440 działających reaktorów rozszczepienia na świecie. Głównymi obszarami zastosowań są predykcyjne utrzymanie ruchu, wykrywanie anomalii i optymalizacja operacji - obszary, w których marginalne zyski z AI przekładają się bezpośrednio na zwiększone zapasy bezpieczeństwa, ograniczenie przestojów i znaczące oszczędności kosztów.

Elektrownie jądrowe należą do najlepiej wyposażonych w przyrządy obiektów przemysłowych na świecie, generując ciągłe strumienie danych z tysięcy punktów pomiarowych obejmujących temperatury czynnika chłodzącego, różnice ciśnień, sygnatury drgań, położenia zaworów i poziomy promieniowania. Historycznie dane te były monitorowane przez operatorów-ludzi w oparciu o stałe progi alarmowe - system dobrze przystosowany do wykrywania rażących anomalii, ale słabo nadający się do identyfikacji subtelnych, stopniowych wzorców degradacji, które często poprzedzają awarię urządzeń. Algorytmy uczenia maszynowego, w szczególności rekurencyjne sieci neuronowe i architektury oparte na transformerach, trenowane na historycznych szeregach czasowych czujników, potrafią identyfikować te zwiastuny na tygodnie lub miesiące przed wyzwoleniem tradycyjnych alarmów.

EDF Energy, eksploatująca brytyjską flotę zaawansowanych reaktorów chłodzonych gazem, wdrożyła systemy monitorowania stanu technicznego wspomagane przez AI, analizujące dane drganiowe i akustyczne z pomp czynnika chłodzącego reaktora i wymienników ciepła. Wczesne wykrycie zużycia łożysk lub degradacji uszczelnień pozwala planować konserwację podczas planowanych postojów, a nie wymuszać nieplanowane odłączenia, które w kontekście jądrowym niosą zarówno konsekwencje dla bezpieczeństwa, jak i znaczne koszty ekonomiczne. Podobne programy są realizowane przez przedsiębiorstwa energetyczne we Francji, Korei Południowej i Stanach Zjednoczonych.

Optymalizacja operacji stanowi kolejny obiecujący obszar. Modele AI są wykorzystywane do optymalizacji schematów załadowania paliwa - przestrzennego rozmieszczenia zestawów paliwowych w rdzeniu reaktora - złożone kombinatorycznie zagadnienie, które determinuje zarówno efektywność wydobycia energii, jak i rozkład naprężeń cieplnych i radiacyjnych w rdzeniu. Takie firmy jak Vattenfall i Exelon testowały podejścia oparte na uczeniu ze wzmocnieniem do tego problemu, osiągając efektywność cyklu paliwowego praktycznie nieosiągalną przy obliczeniach tradycyjnymi metodami.

4. Małe reaktory modułowe i projektowanie zorientowane na AI

Być może najbardziej doniosłym zbieżnością AI i energetyki jądrowej jest nowe pokolenie małych reaktorów modułowych. SMR - szeroko definiowane jako reaktory o mocy elektrycznej poniżej 300 MW - są projektowane z myślą o fabrycznej produkcji, szybkim rozmieszczeniu i, w wielu koncepcjach, zdolności do w znacznej mierze autonomicznej pracy. Ta ostatnia cecha stawia AI w samym centrum propozycji wartości SMR.

W odróżnieniu od konwencjonalnych dużych reaktorów, wymagających licznego personelu operacyjnego na miejscu i rozbudowanych systemów sterowania ręcznego, kilka zaawansowanych koncepcji SMR jest opracowywanych od podstaw jako systemy zarządzane przez AI. NuScale Power, która uzyskała pierwsze zatwierdzenie projektu SMR przez NRC w 2022 roku, opracowała scentralizowaną architekturę centrum sterowania zdolną do jednoczesnego zarządzania wieloma modułami reaktora przy znacznie zredukowanym składzie operatorów. Rolls-Royce SMR, wspierana znaczącymi inwestycjami rządu Zjednoczonego Królestwa, włącza technologię cyfrowego bliźniaka - aktualizowane w czasie rzeczywistym przez AI wirtualne repliki fizycznego reaktora - jako kluczowy element swojej filozofii eksploatacji i utrzymania ruchu.

Koncepcja cyfrowego bliźniaka zasługuje na szczególną uwagę. Wysokowierny cyfrowy bliźniak SMR stale pobiera dane operacyjne i aktualizuje oparty na fizyce model symulacyjny stanu reaktora. Umożliwia to operatorom i agentom AI prowadzenie prospektywnych scenariuszy "co jeśli" w czasie rzeczywistym, przewidywanie konsekwencji działań sterujących przed ich wykonaniem - możliwość fundamentalnie zmieniająca rachunek bezpieczeństwa w eksploatacji reaktora. Anomalie niewidoczne przy konwencjonalnym monitorowaniu mogą być wykrywane poprzez porównanie zmierzonego stanu obiektu z prognozą cyfrowego bliźniaka, a odchylenia uruchamiają zautomatyzowane procedury dochodzenia.

Projektanci zaawansowanych reaktorów, w tym TerraPower, X-energy i Kairos Power, włączają uczenie maszynowe do swoich kodów fizyki reaktora, umożliwiając szybsze obliczenia neutroniczne i dokładniejsze modelowanie termiczno-hydrauliczne. Przyspiesza to nie tylko proces projektowania, ale również składanie analiz bezpieczeństwa wymaganych do uzyskania zezwolenia regulacyjnego, potencjalnie umożliwiając nowej generacji koncepcji reaktorów osiągnięcie eksploatacji komercyjnej w terminach mierzonych latami, a nie dziesięcioleciami.

5. Ryzyka, ograniczenia i otwarte pytania

Integracja sztucznej inteligencji w systemy jądrowe nie jest pozbawiona poważnych wyzwań i uzasadnionych obaw. Fundamentalnym zobowiązaniem przemysłu jądrowego jest bezpieczeństwo ponad wszystko, a wprowadzenie AI do systemów o krytycznym znaczeniu dla bezpieczeństwa wymaga stopnia interpretowalności, weryfikacji i gwarancji regulacyjnych, których obecne metody AI nie zapewniają w prosty sposób.

Nieprzejrzystość modeli głębokiego uczenia - tak zwany problem "czarnej skrzynki" - stanowi szczególne wyzwanie w kontekście jądrowym. Regulatorzy i analitycy bezpieczeństwa wymagają nie tylko tego, by system średnio działał poprawnie, ale by jego zachowanie można było zrozumieć, przewidzieć i ograniczyć w całym zakresie warunków pracy, w tym rzadkich i ekstremalnych scenariuszy. Istniejące architektury sieci neuronowych oferują ograniczone formalne gwarancje tego rodzaju. Podejścia hybrydowe łączące uczenie maszynowe z modelami opartymi na fizyce i metodami formalnej weryfikacji są aktywnym obszarem badań, lecz pozostają niedojrzałe w odniesieniu do wymogów licencjonowania jądrowego.

Cyberbezpieczeństwo stanowi kolejny wymiar ryzyka. Większa łączność implikowana przez systemy monitorowania i sterowania wspomagane AI powiększa powierzchnię ataku obiektów jądrowych. Ataki adwersaryjne na modele uczenia maszynowego - w których starannie spreparowane dane wejściowe powodują, że modele generują błędne wyniki z dużą pewnością - są ugruntowanym wynikiem badań z potencjalnie poważnymi konsekwencjami przy zastosowaniu wobec systemów wnioskowania o krytycznym znaczeniu dla bezpieczeństwa. Organy regulacyjne zaczynają opracowywać wytyczne dotyczące cyberbezpieczeństwa specyficzne dla AI, lecz dziedzina ta szybko się rozwija, a ramy pozostają niedojrzałe.

Wreszcie ważne jest zachowanie realistycznej perspektywy co do tego, co AI może, a czego nie może rozwiązać. Najbardziej fundamentalne bariery dla wdrożenia energetyki jądrowej - akceptacja społeczna, ryzyko geopolityczne, długoterminowe zarządzanie odpadami oraz konkurencyjność ekonomiczna energii jądrowej w obliczu szybko taniejących odnawialnych źródeł i magazynów energii - nie są problemami technicznymi podatnymi na rozwiązania algorytmiczne. AI może skracać harmonogramy, obniżać koszty na poziomie marginalnym i poprawiać efektywność operacyjną, lecz nie może rozwiązać społecznych i politycznych wymiarów kwestii jądrowej.

6. Podsumowanie: potężne partnerstwo

Konwergencja sztucznej inteligencji i energetyki jądrowej stanowi jedno z bardziej doniosłych, choć niedocenianych skrzyżowań we współczesnej transformacji energetycznej. AI przyspiesza postępy w sterowaniu plazmą syntezy, umożliwia bardziej predykcyjną i niezawodną eksploatację istniejących reaktorów rozszczepienia, skraca koszty i czas trwania nowych budów jądrowych oraz czyni z autonomicznej eksploatacji SMR inżynieryjną rzeczywistość, a nie teoretyczne dążenie.

Partnerstwo to nie jest jednak wolne od tarcia. Konserwatywna kultura regulacyjna przemysłu jądrowego - kultura istiejąca z najlepszych możliwych powodów - będzie wymagać, by systemy AI spełniały standardy przejrzystości, niezawodności i weryfikowalności, których dziedzina ta jeszcze w pełni nie osiągnęła. Spełnienie tych standardów będzie wymagało trwałej interdyscyplinarnej współpracy między badaczami AI, inżynierami jądrowymi i organami regulacyjnymi, a także znacznych inwestycji w narzędzia i metodologie niezbędne do walidacji zachowania AI w kontekstach o krytycznym znaczeniu dla bezpieczeństwa.

Jeśli wyzwania te uda się pokonać, zysk będzie znaczący. Połączenie energetyki jądrowej - wysoka gęstość energii, niskie emisje węgla w całym cyklu życia oraz dyspozycyjna moc bazowa - czyni ją wyjątkowo cennym uzupełnieniem zmiennych odnawialnych źródeł energii w zdekarbonizowanej sieci. Sztuczna inteligencja może być katalizatorem, który pozwoli energetyce jądrowej w końcu zrealizować transformacyjny potencjał, który niesie ze sobą niespełniony od zarania ery atomowej.