美国能源部太平洋西北国家实验室（PNNL）的科学家利用人工智能技术，成功优化了用于处理放射性液体的玻璃配方。这一突破发表于《非晶态固体杂志》4月刊，旨在提高汉福德核废料处理效率，降低运营成本与风险。汉福德场地的核废料成分极其复杂，几乎包含元素周期表中所有元素，且浓度波动大，传统方法难以找到最佳玻璃化配方。 研究团队利用机器学习模型，分析了数十年的历史数据，取代了传统的数学方程。该模型能够“从错误中学习”，自动筛选出数千种元素组合，从而制定出能容纳更多废料的定制“玻璃配方”。实验证明，新模型在确保玻璃长期稳定性的前提下，显著提高了废料在玻璃块中的装载比例。通常情况下，玻璃基质中废料占比约为20%至30%，而新模型显示，随着基础配方中废料比例的增加，每增加20%的现有配方量，废料装载率还能额外提升约1%。 这一优化将带来显著的实际效益。预计未来生产的玻璃固化块数量将减少5%，这不仅大幅减少了处置设施所需的占地面积，还缩短了整体任务周期并降低了长期处理成本。项目负责人约翰·维也纳指出，这是首次对活跃学习方法在废料玻璃设计中的实验验证，具有里程碑意义。 作为能源部“创世纪任务”的一部分，PNNL正与多个国家实验室合作，致力于利用人工智能加速核废料清理工作。这项研究展示了将数十年玻璃科学 expertise 与先进人工智能工具结合的潜力，为复杂场地的核恢复任务提供了新的加速路径，预示着未来核废料处理将更加高效、经济且安全。