Des chercheurs du Laboratoire national de Pacific Northwest (PNNL), financé par le Département de l'Énergie des États-Unis, ont réussi à optimiser les formules de verre destinées à la vitrification des déchets radioactifs liquides grâce à l'intelligence artificielle. Publié le 15 avril dans le Journal of Non-Crystalline Solids, ce travail vise à augmenter la quantité de déchets intégrée dans chaque conteneur de verre, réduisant ainsi les risques opérationnels, la durée de la mission et les coûts globaux. Le site de Hanford stocke depuis plus de soixante-quinze ans des déchets complexes issus de la production de plutonium pendant la Guerre froide. Ces résidus, souvent appelés déchets hérités, contiennent presque tous les éléments du tableau périodique, rendant leur traitement extrêmement difficile. La composition de ces mélanges varie considérablement d'un réservoir à l'autre et même au sein d'un même réservoir au fil du temps, ce qui oblige les scientifiques à développer des formules de verre spécifiques pour chaque lot afin d'assurer une stabilité à long terme et une manipulation efficace. L'équipe du PNNL a remplacé les équations mathématiques traditionnelles par des modèles d'apprentissage automatique capables d'apprendre de leurs erreurs. En analysant des décennies de données issues des échantillons de déchets de Hanford, ces algorithmes ont exploré des combinaisons d'éléments jamais envisagées auparavant. Contrairement à la méthode originale mise en place en 2012, qui privilégiait la sécurité en acceptant une faible charge de déchets, la nouvelle approche permet d'augmenter la concentration de déchets radioactifs dans le verre. Selon les calculs, chaque augmentation de 20 % de la charge initiale permettrait d'ajouter environ 1 % de déchets supplémentaires, dépassant les limites de 20 à 30 % généralement atteintes avec les matrices à faible activité. La vitrification consiste à mélanger les déchets avec des agents formateurs de verre, à chauffer le mélange à 2 100 degrés Fahrenheit, puis à le couler dans des conteneurs en acier. Le modèle permet de prédire avec précision le comportement du verre à chaque étape, assurant que la substance n'est ni trop fluide, ce qui risquerait de corroder les fours, ni trop épaisse pour être versée correctement. Les validations expérimentales confirment que les nouvelles formules produisent un verre plus stable et capable d'absorber plus de matières toxiques. Cette innovation pourrait entraîner une réduction de 5 % du nombre de blocs de verre à produire. Bien que ce pourcentage semble faible, ses effets sont significatifs sur le plan opérationnel : cela réduit le nombre de conteneurs nécessaires, diminue l'empreinte au sol de la zone d'élimination et accélère la calendrier de la mission d'assainissement, qui s'étendra sur plusieurs décennies. José Marcial, scientifique des matériaux au PNNL, souligne que cette approche active pourrait réduire les coûts sur la durée totale du projet. Ce projet s'inscrit dans la mission Genesis du Département de l'Énergie, lancée fin 2025, qui identifie les défis scientifiques où l'IA peut transformer la recherche, notamment dans le domaine de la restauration nucléaire. Quatre chercheurs du PNNL travaillent au sein de l'équipe de cartographie de l'IA pour la restauration nucléaire, cherchant à opérationnaliser ces outils pour accélérer le nettoyage des sites complexes comme Hanford. Matt Asmussen, scientifique principal au PNNL, souligne que cette collaboration entre l'expertise pluridécennale en science du verre et des outils d'IA avancés offre un aperçu prometteur de la manière dont l'intelligence artificielle peut compresser les délais des missions environnementales.