کد خبر:۷۵۹۵۲۸
با تلاش دانشمندان؛
دستیابی به انرژی نامحدود با کمک هوش مصنوعی امکان‌پذیر شد
دانشمندان دانشگاه هاروارد، نوعی یادگیری عمیق مبتنی بر هوش مصنوعی ابداع کرده‌اند که می‌تواند خطرات احتمالی انرژی هسته‌ای را پیش‌بینی کند و راهی برای دستیابی به انرژی نامحدود ارائه دهد.
به گزارش گروه فناوری خبرگزاری دانشجو، دانشمندان سعی دارند برای دستیابی به انرژی نامحدود، از یادگیری عمیق مبتنی بر هوش مصنوعی استفاده کنند تا از عهده پیش‌بینی اختلالات مخرب برآیند. دانشمندان طی دهه‌های گذشته تلاش کرده‌اند تا با کمک راهبرد‌های گوناگون، انرژی نامحدودی را ارائه دهند، اما اگر امکان استفاده از همجوشی هسته‌ای برای تولید الکتریسیته عملی باشد، این قدرت عظیم و گسترده باید کنترل شود.
"جولیان کیتز هربک" (Julian Kates-Harbeck)، دانشجوی فیزیک دانشگاه هاروارد گفت: هنگامی که پلاسما، ثبات خود را در آزمایش همجوشی از دست می‌دهد، می‌تواند از حبس شدن در دیواره دستگاه فرار کند و به آسیب‌های شدید و در برخی موارد، ذوب شدن یا تبخیر ترکیبات منجر شود. اگر بتوانیم فرار پلاسما و یا آسیب‌های ناشی از آن را پیش‌بینی کنیم، می‌توانیم اثرات آن را کاهش و راهبرد‌های ایمنی ویژه‌ای ارائه دهیم تا پلاسما به آرامی خنک شود و آسیبی به دستگاه نرساند.
هربک و همکارانش برای پیش‌بینی آسیب‌های احتمالی به راکتور‌های همجوشی، نوعی سیستم یادگیری عمیق مبتنی بر هوش مصنوعی ابداع کردند. این روش، گام مهمی در ابتکارات حوزه همجوشی هسته‌ای به شمار می‌رود و می‌توان آن را در دستگاه‌های مربوط به کار گرفت.
دانشمندان در این پژوهش، از یک "توکاماک" (tokamak) استفاده کردند. توکاماک، دستگاهی است که به محصورسازی پلاسما می‌پردازد و برای ایجاد تعادل پایدار پلاسما بر مبنای محصورسازی مغناطیسی طراحی شده است. این دستگاه، پلاسما را با استفاده از یک دامنه مغناطیسی قوی محصور می‌کند.
هربک افزود: هنگامی که آسیب‌های مخرب ناشی از پلاسما رخ می‌دهند، حتی برخی از بزرگترین دستگاه‌های مورد استفاده در زمینه همجوشی هسته‌ای، تا یک سانتی‌متر به هوا پرتاب می‌شوند. در نتیجه می‌توان شدت میزان نیروی آزاد شده را تصور کرد.
پیش‌بینی این گونه آسیب‌ها، موضوع بسیار مهمی است، زیرا هرچه دستگاه بزرگ‌تر باشد، میزان تخریب نیز بیشتر است.
هربک ادامه داد: ما تاکنون راهبرد‌های خوبی برای پیشگیری از این رخداد‌های مخرب نداشته‌ایم. بهترین راهبرد برای کاهش عوارض منفی این رخدادها، پیش‌بینی زمان وقوع آنهاست. با داشتن این قابلیت، امکان اقدام به موقع و پیشگیری از رخ دادن حادثه فراهم می‌شود.
هربک و همکارانش، پروژه خود را با کمک یادگیری ماشینی آغاز کردند تا بتوانند از عهده پیش‌بینی آسیب‌ها برآیند. هدف آن‌ها این است که با ترکیب فیزیک و هوش مصنوعی، امکان پیش‌بینی آسیب‌ها را قبل از وقوع فراهم کنند.
هربک گفت: پژوهشگران، پیش از این روش قدیمی یادگیری ماشینی را برای پیش‌بینی این گونه آسیب‌ها به کار برده‌اند، اما ما در پژوهش خود از یادگیری عمیق استفاده می‌کنیم. هوش مصنوعی در حال حاضر، یکی از پیچیده‌ترین حوزه‌های علمی است و ما یقین داریم که ترکیب آن با علم هسته‌ای، نتیجه هیجان‌انگیزی به همراه خواهد داشت و در پیش‌بینی دقیق‌تر چالش‌های خطرناک پیش رو و پاکسازی انرژی به ما کمک خواهد کرد.
"جولیان کیتز هربک" (Julian Kates-Harbeck)، دانشجوی فیزیک دانشگاه هاروارد گفت: هنگامی که پلاسما، ثبات خود را در آزمایش همجوشی از دست می‌دهد، می‌تواند از حبس شدن در دیواره دستگاه فرار کند و به آسیب‌های شدید و در برخی موارد، ذوب شدن یا تبخیر ترکیبات منجر شود. اگر بتوانیم فرار پلاسما و یا آسیب‌های ناشی از آن را پیش‌بینی کنیم، می‌توانیم اثرات آن را کاهش و راهبرد‌های ایمنی ویژه‌ای ارائه دهیم تا پلاسما به آرامی خنک شود و آسیبی به دستگاه نرساند.
هربک و همکارانش برای پیش‌بینی آسیب‌های احتمالی به راکتور‌های همجوشی، نوعی سیستم یادگیری عمیق مبتنی بر هوش مصنوعی ابداع کردند. این روش، گام مهمی در ابتکارات حوزه همجوشی هسته‌ای به شمار می‌رود و می‌توان آن را در دستگاه‌های مربوط به کار گرفت.
دانشمندان در این پژوهش، از یک "توکاماک" (tokamak) استفاده کردند. توکاماک، دستگاهی است که به محصورسازی پلاسما می‌پردازد و برای ایجاد تعادل پایدار پلاسما بر مبنای محصورسازی مغناطیسی طراحی شده است. این دستگاه، پلاسما را با استفاده از یک دامنه مغناطیسی قوی محصور می‌کند.
هربک افزود: هنگامی که آسیب‌های مخرب ناشی از پلاسما رخ می‌دهند، حتی برخی از بزرگترین دستگاه‌های مورد استفاده در زمینه همجوشی هسته‌ای، تا یک سانتی‌متر به هوا پرتاب می‌شوند. در نتیجه می‌توان شدت میزان نیروی آزاد شده را تصور کرد.
پیش‌بینی این گونه آسیب‌ها، موضوع بسیار مهمی است، زیرا هرچه دستگاه بزرگ‌تر باشد، میزان تخریب نیز بیشتر است.
هربک ادامه داد: ما تاکنون راهبرد‌های خوبی برای پیشگیری از این رخداد‌های مخرب نداشته‌ایم. بهترین راهبرد برای کاهش عوارض منفی این رخدادها، پیش‌بینی زمان وقوع آنهاست. با داشتن این قابلیت، امکان اقدام به موقع و پیشگیری از رخ دادن حادثه فراهم می‌شود.
هربک و همکارانش، پروژه خود را با کمک یادگیری ماشینی آغاز کردند تا بتوانند از عهده پیش‌بینی آسیب‌ها برآیند. هدف آن‌ها این است که با ترکیب فیزیک و هوش مصنوعی، امکان پیش‌بینی آسیب‌ها را قبل از وقوع فراهم کنند.
هربک گفت: پژوهشگران، پیش از این روش قدیمی یادگیری ماشینی را برای پیش‌بینی این گونه آسیب‌ها به کار برده‌اند، اما ما در پژوهش خود از یادگیری عمیق استفاده می‌کنیم. هوش مصنوعی در حال حاضر، یکی از پیچیده‌ترین حوزه‌های علمی است و ما یقین داریم که ترکیب آن با علم هسته‌ای، نتیجه هیجان‌انگیزی به همراه خواهد داشت و در پیش‌بینی دقیق‌تر چالش‌های خطرناک پیش رو و پاکسازی انرژی به ما کمک خواهد کرد.
لینک کپی شد
گزارش خطا
۰
اخبار مرتبط
ارسال نظر
*شرایط و مقررات*
خبرگزاری دانشجو نظراتی را که حاوی توهین است منتشر نمی کند.
لطفا از نوشتن نظرات خود به صورت حروف لاتین (فینگیلیش) خودداری نمايید.
توصیه می شود به جای ارسال نظرات مشابه با نظرات منتشر شده، از مثبت یا منفی استفاده فرمایید.
با توجه به آن که امکان موافقت یا مخالفت با محتوای نظرات وجود دارد، معمولا نظراتی که محتوای مشابهی دارند، انتشار نمی یابد.