São Paulo — InkDesign News —
Um novo estudo revela que técnicas de machine learning podem otimizar o controle de reatores nucleares microescala, mostrando como a inteligência artificial pode acelerar a automação nesse setor crítico.
Contexto da pesquisa
Realizada na Universidade de Michigan, a pesquisa se concentra na eficiência do treinamento de modelos para ajustar a produção de energia do microreator Holos-Quad. Este reator compacto, com capacidade de até 20 megawatts térmicos, oferece uma alternativa viável para gerar energia em locais remotos, além de potenciais aplicações em viagens espaciais.
Método proposto
A equipe utilizou uma abordagem de aprendizado por reforço multiagente, onde oito agentes independentes controlam um tambor específico, compartilhando informações sobre o núcleo. Essa técnica busca reduzir o tempo de treinamento, explorando a simetria do microreator. O estudo foi publicado na revista Energy Conversion and Management: X.
“O aprendizado profundo por reforço constrói um modelo da dinâmica do sistema, permitindo controle em tempo real — algo que métodos tradicionais, como controle preditivo, costumam ter dificuldade em alcançar pela necessidade de otimização repetitiva.”
(“Deep reinforcement learning builds a model of system dynamics, enabling real-time control—something traditional methods like model predictive control often struggle to achieve due to the repetitive optimization needs.”)— Majdi Radaideh, Professor Assistente, Universidade de Michigan
Resultados e impacto
Os resultados mostraram que as abordagens de aprendizado por reforço alcançaram desempenho equivalente ou superior à abordagem padrão de controle proporcional-integral-derivativo (PID). Em cenários com falhas nos sensores, as técnicas de aprendizado por reforço apresentaram taxas de erro até 150% menores e custos de controle reduzidos. Além disso, a abordagem multiagente teve um desempenho de treinamento pelo menos duas vezes mais rápido em comparação à abordagem de agente único.
Esta pesquisa abre possibilidades para o uso de reatores nucleares microescala com maior automação em treinamento, essencial para aplicações em ambientes remotos e, potencialmente, no espaço. O próximo passo envolve a validação em situações mais complexas e realistas, buscando aprimorar a precisão do controle.
Fonte: (TechXplore – Machine Learning & AI)
