El equipo de investigación del Laboratorio Nacional de Oak Ridge (ORNL) de Estados Unidos desarrolló recientemente un nuevo método basado en aprendizaje automático que puede predecir de manera eficiente y precisa las características termodinámicas clave de materiales de sales fundidas, proporcionando una herramienta importante para la investigación y desarrollo de tecnologías nucleares. Los resultados de la investigación se publicaron en la revista Chemical Science.

Las sales fundidas son valiosas en aplicaciones nucleares como la disolución de combustible nuclear y la mejora de la confiabilidad operativa a largo plazo de los reactores debido a su estabilidad a altas temperaturas y compatibilidad química. Sin embargo, los métodos experimentales tradicionales y los modelos computacionales enfrentan desafíos como altos costos, largos tiempos y precisión insuficiente en la predicción de características de sales fundidas. El equipo de ORNL combinó cálculos de química cuántica con tecnología de inteligencia artificial, utilizando la potente capacidad computacional de la supercomputadora Summit, para lograr simulaciones rápidas de características termodinámicas de sales fundidas líquidas y sólidas, mejorando significativamente la eficiencia y precisión de las predicciones.

El miembro del equipo de investigación Luke Gibson dijo: "La innovación de este método radica en su simplicidad. En comparación con los modelos tradicionales, el aprendizaje automático requiere menos pasos computacionales para obtener resultados de mayor precisión, abriendo un nuevo camino para la investigación de características de sales fundidas."

La investigación señaló que el modelado preciso de las características de las sales fundidas es crucial para el diseño de reactores nucleares de próxima generación, evaluaciones de seguridad y gestión de residuos nucleares. A través de tecnología de simulación de bajo costo y alta precisión, los investigadores pueden optimizar más eficientemente los parámetros operativos de los reactores, reducir los costos experimentales y acelerar el desarrollo de nuevos sistemas nucleares.

La científica de materiales de ORNL, Emily Tomlin, enfatizó: "El modelado a gran escala, económico y preciso de sales fundidas es el puente que conecta los datos experimentales con las aplicaciones de ingeniería. Este avance impulsará el desarrollo de tecnologías nucleares hacia direcciones más seguras y eficientes."

Actualmente, el equipo está expandiendo aún más el alcance de aplicación del modelo de aprendizaje automático, planeando aplicarlo a la predicción de características de más sistemas de materiales nucleares complejos, proporcionando soporte técnico para la actualización de la industria nuclear global.