密歇根大学核工程与放射科学系(NERS)与爱达荷国家实验室的研究人员合作开展了一项关于核微反应堆和机器学习(ML)的研究，相关摘要已发表，全文题为《基于深度强化学习的核微反应堆瞬态和负荷跟踪控制》，刊登在《能源转换与管理：X》杂志7月刊上。
HolosGen 开发的紧凑型可运输 Holos-Quad 微反应器，可容纳在一个标准的 40 英尺 ISO 集装箱内。(图片：HolosGen)
该研究基于HolosGen的Holos-Quad微反应堆设计，考察了一种新的机器学习方法——多智能体强化学习(RL)，用于对核微反应堆功率输出的调整进行建模，以满足电网需求。研究人员称，此方法比以往方法训练更高效、时间更短，能助力更快建模反应堆。
Holos-Quad是一款高温气冷微反应堆，专为可扩展、自给式发电设计。其结构灵感源于闭环涡轮喷气发动机，以密封核燃料盒取代传统燃烧室，将燃料、慢化剂、热交换和能量转换集成在单个压力容器内，紧凑设计可装入40英尺的国际标准化组织(ISO)集装箱。
研究团队专注于模拟负荷跟踪，即依据电网需求增减电力输出。Holos-Quad系统通过调节围绕反应堆核心的八个控制鼓位置来控制功率，控制鼓一侧衬有中子吸收材料，向内旋转吸收中子可降低功率，向外旋转则提高功率。在多智能体RL方法中，八个控制鼓被建模为八个独立智能体，特定鼓独立控制且能获取整个核心信息。
通过将多智能体RL模型方法与单智能体方法(单个智能体控制所有八个鼓)和行业标准比例积分微分(PID)方法(具有基于反馈的控制回路)进行比较测试，结果显示RL模型具有优势。
研究人员指出，其机器学习模型需在更复杂、现实的条件下广泛验证，才能在核电行业商业应用。不过，研究结果“为自主核微反应堆的强化学习开辟了一条更有效的途径”。
