Данияр Нургалиев 
Представьте, что вы входите в лабораторию, заранее зная результат сложнейшего эксперимента. А если речь идет о сотнях или тысячах таких результатов? Именно такую возможность открывает искусственный интеллект (ИИ) в одной из самых передовых и сложных областей — химии расплавленных солей, ключевой технологии для ядерных реакторов нового поколения.
Традиционные эксперименты в этой области чрезвычайно дороги и занимают много времени. Они требуют сложного оборудования и глубоких знаний для проведения даже одного-единственного теста. А для проверки сотен различных составов солей и элементов требуются колоссальные инвестиции. Искусственный интеллект предлагает элегантное решение этой проблемы, способное изменить правила игры.
Используя данные прошлых экспериментов, ученые обучают модели ИИ, которые затем могут с невероятной скоростью предсказывать результаты для новых конфигураций. После обучения и проверки нейросеть генерирует прогноз за секунды, а не за дни. Это дает исследователям мощный инструмент для «цифрового просеивания» бесчисленных вариантов, позволяя сосредоточить ресурсы на самых перспективных из них, прежде чем приступать к дорогостоящим физическим опытам.
В основе этого процесса лежит так называемое «обучение с учителем». Нейросеть, подобно студенту, изучает входные данные и сопоставляет их с известными результатами. Система итеративно проходит через циклы «прогноза-сравнения-коррекции», постепенно настраивая свои внутренние параметры, чтобы минимизировать ошибку. В результате ИИ не решает физические уравнения, а учится аппроксимировать сложные физические процессы, основываясь исключительно на исторических данных. Существуют различные архитектуры нейросетей, в том числе способные «запоминать» последовательности событий, что делает их идеальными для анализа динамических процессов.
Именно такой подход активно применяет команда исследователей из Университета Содружества Виргинии (VCU). Одной из главных трудностей в этой узкоспециализированной области является нехватка высококачественных данных для обучения. Поэтому ученые сосредоточились на изучении того, насколько эффективно их модели могут учиться и делать точные прогнозы на ограниченных наборах информации. Первые результаты показали, что нейросети способны хорошо аппроксимировать электрохимические реакции даже при наличии неполных или ограниченных данных.
В ходе масштабного моделирования с хлоридом урана в расплаве солей модели ИИ продемонстрировали превосходные результаты, с высокой точностью предсказывая данные циклической вольтамперометрии. Сгенерированные ИИ графики оказались практически неотличимы от реальных экспериментальных кривых. Однако не все методы поддаются ИИ так же легко. Прогнозирование данных электрохимической импедансной спектроскопии — более сложной техники — пока остается вызовом, и предсказанные результаты еще не достигают желаемой точности.
Несмотря на значительный прогресс, работа продолжается. Ученые стремятся научить ИИ работать с еще более сложными, многокомпонентными солевыми системами и освоить прогнозирование для других важных аналитических методов. Конечная цель — кардинально ускорить фундаментальное понимание и разработку технологий на основе расплавленных солей. Создание таких «цифровых лабораторий» позволит исследователям быстро и эффективно определять наиболее важные эксперименты, приближая эру более безопасной и эффективной ядерной энергетики.