Wissenschaftler des Pacific Northwest National Laboratory (PNNL) haben die Macht der künstlichen Intelligenz genutzt, um die Glasformeln zur Behandlung von flüssigem radioaktivem Abfall am Hanford-Standort zu optimieren. Durch den Einsatz von maschinellem Lernen konnten sie die Menge an Abfall, die in jeden Glaskondensator eingebaut wird, erheblich steigern. Dies führt zu geringeren Betriebsrisiken, kürzeren Missionszeiten und erheblichen Kosteneinsparungen. Die Ergebnisse dieser Forschung wurden am 15. April in der Fachzeitschrift Journal of Non-Crystalline Solids veröffentlicht. Die Handhabung von Abfällen am Hanford-Standort ist aufgrund der extrem komplexen Chemie eine enorme Herausforderung. Seit dem Manhattan-Projekt und dem Kalten Krieg wurden dort große Mengen radioaktiver Abfälle in unterirdischen Tanks gelagert. Diese sogenannten Altlasten enthalten fast alle Elemente des Periodensystems in variierenden Konzentrationen, was sie zu der komplexesten Mischung radioaktiver Abfälle weltweit macht. Traditionelle mathematische Modelle stießen hier an ihre Grenzen, da die Abfallzusammensetzung sowohl von Tank zu Tank als auch innerhalb derselben Tanks sowie während des Transportprozesses schwankt. Das PNNL-Team entwickelte nun eine benutzerdefinierte Sammlung von „Rezepturen", die durch ein maschinelles Lernmodell angetrieben werden. Dieses Modell analysierte jahrzehntelange Daten, probierte alle möglichen Kombinationen der im Abfall gemessenen Elemente aus und lernte aus Fehlern, um vorherzusagen, welche Formeln funktionieren. Die Forscher ersetzten eine traditionelle Gleichung durch dieses aktive Lernsystem. Das Ergebnis ist eine höhere Einbaurate des Abfalls im Glas, die ohne KI-Modelle nicht möglich gewesen wäre. Bei der Vitrifizierung werden der Abfall und chemische Zusätze bei etwa 1.150 Grad Celsius erhitzt und in große Stahltanks gegossen. Die Glaszusammensetzung muss dabei perfekt abgestimmt sein. Ist das Glas zu dünn, droht Korrosion im Ofen; ist es zu zäh, füllt es den Behälter nicht vollständig. Das neue KI-Modell ermöglicht es, tausende Kombinationen von Abfalleigenschaften und Zusätzen zu simulieren, um die maximale Abfallmenge bei gleichzeitiger Wahrung der Stabilität und der Prozesseffizienz zu erreichen. Die Auswirkungen dieser Optimierung sind signifikant. Bisher hält eine Glasmatrix für schwach radioaktiven Abfall etwa 20 bis 30 Prozent Abfallgewicht. Das neue Modell zeigt, dass man pro 20 Prozent bereits eingearbeitetem Abfall die Menge um weitere etwa ein Prozent steigern kann. Über die Lebensdauer des Projekts könnten dies zu fünf Prozent weniger Glaskomponenten führen. Weniger Behälter bedeuten eine kleinere Ein footprint in den Entsorgungsanlagen und eine Verkürzung der Gesamtdauer der Sanierungsmission. John Vienna, ein leitender Experte am Projekt, betonte, dass dies die erste experimentelle Validierung eines aktiven Lernansatzes im Bereich der Abfallglaskonstruktion sei. Die ursprüngliche Algorithmen-Version aus dem Jahr 2012 war bewusst konservativ eingestellt, um den Prozess mit weniger Variablen zu testen. Die neue KI-basierte Herangehensweise nutzt die jahrzehntelange Expertise des Labors und kombiniert sie mit modernen KI-Tools, um die Aufräumarbeiten deutlich zu beschleunigen. Diese Initiative ist Teil der Genesis-Mission des Energieministeriums der USA, die KI-Lösungen für 26 große wissenschaftliche Herausforderungen vorsieht, darunter die Umgestaltung der nuklearen Wiederherstellung. Vier Forscher des PNNL arbeiten an diesem KI-Roadmap-Team, um Technologien zu identifizieren, die das Büro für Umweltmanagement des Energieministeriums dabei unterstützen, die Reinigung komplexer Standorte wie Hanford zu beschleunigen. Die Studie demonstriert eindrucksvoll, wie künstliche Intelligenz die Behandlung von Kernabfällen transformieren und Missionen vorantreiben kann.