阿贡国家实验室将Transformer用于先进反应堆流体动力学模拟

美国能源部 (DOE) 阿贡国家实验室 (Argonne National Laboratory) 正在将Transformer神经网络架构用于复杂物理系统建模，以加快并改进先进核反应堆流体动力学模拟。研究团队表示，更准确、更高效的模拟工具可为核能系统设计、运行和安全分析提供支持。

数据驱动模型和两种标准方法(k-ω SST 和 k-ε)预测的湍流粘度场。(图片由阿贡国家实验室提供。)

Transformer是多类生成式人工智能模型采用的核心架构。在大型语言模型中，它用于分析词语和句子之间的关系;在阿贡国家实验室的研究中，同一类方法被用于处理位置、速度、流体流动等物理数据，帮助模型识别影响反应堆安全性和性能的关键物理关联。对流体流动影响的预测，是湍流建模的重要内容。

研究人员正把基于Transformer的人工智能模型集成到系统分析模块 (System Analysis Module, SAM) 中。SAM是阿贡国家实验室开发的先进反应堆分析工具。通过将人工智能方法与湍流模型结合，研究团队希望提升SAM对复杂流体动力学行为的刻画能力，而这些行为往往是传统程序较难准确捕捉的部分。

阿贡国家实验室核科学与工程部门首席核工程师、安全与工程分析组经理胡睿 (Rui Hu) 表示：“借助人工智能，我们可以像复杂方法一样准确，也可以像简单方法一样快速。它实现了精度和速度的结合。”

传统高保真模拟通常计算耗时较长，单次运行可能需要数分钟甚至数小时;速度较快的简化方法则可能牺牲精度。研究团队称，基于人工智能的模型能够在接近瞬时的时间内给出结果，同时保持与更复杂方法相当的准确性。

目前，SAM中的新模型已在流动阻力和传热过程模拟方面显示出较高精度。准确捕捉这些特征，是建立可靠湍流模型的关键。相关对比还涉及k-ω SST、k-ε等标准湍流建模方法。

这一进展有助于研究人员开展更接近实际工况的反应堆模拟，为改进反应堆设计、性能和安全性提供依据。下一步，团队计划利用该模型模拟完整电厂系统，包括反应堆本体、配套部件以及冷却、安全和辅助系统。

阿贡国家实验室核科学与工程部门首席核工程师埃里克·切尔维 (Eric Cervi) 表示，既然该架构已证明能够呈现物理过程之间的关系，未来也可应用于流体动力学以外的其他物理领域。

研究团队还在探索数字孪生技术，即为实时运行的物理系统建立虚拟模型。该团队称，其工作属于较早将Transformer架构用于核系统数字孪生的研究之一。后续研究将重点扩大模型规模，提高精度和灵活性，并把新的人工智能模型纳入SAM仿真流程。

这项研究得到美国能源部核能先进建模与仿真计划 (NEAMS) 支持。