NVIDIA AI 物理框架针对核反应堆设计瓶颈
realtime news Apr 17, 2026 15:47
NVIDIA 的 PhysicsNeMo 框架为小型模块化反应堆设计提供了 AI 驱动的数字孪生技术，大幅缩短了模拟时间，同时将预测准确率提高到 97%。
NVIDIA 发布了一套详细的工作流程，展示如何利用其 PhysicsNeMo AI 框架加速小型模块化核反应堆 (SMR) 的设计——这一发展有望显著减少困扰下一代核项目的计算瓶颈。
该方法用 AI 替代模型直接从反应堆几何结构预测中子通量分布，从而取代了昂贵的蒙特卡洛运输模拟。根据 NVIDIA 的技术文档，其傅里叶神经算子模型在预测均匀化截面时达到了 0.97 的 R² 分数，而传统的梯度提升回归方法仅为 0.80。
清洁能源领域的重要性
SMR 和第四代反应堆设计面临一个根本验证问题。物理实验成本高昂且耗时，而高保真数值模拟则带来巨大的计算开销。一个典型的反应堆核心大约包含 50,000 根燃料棒——使用当前方法在明确燃料棒单元分辨率下进行全核模拟在计算上几乎不可行。
NVIDIA 的解决方案创建了数字孪生体，可以以传统成本的一小部分来模拟、测试和优化反应堆系统。该工作流程结合了 CUDA-X 库、PhysicsNeMo 和 Omniverse，提供 GPU 加速、AI 增强的模拟，能够实现接近实时的预测。
技术方法
关键创新在于预测完整的空间场，而不是标量值。传统模型将燃料棒单元几何压缩为简化描述符，丢失了有关中子通量分布和自屏蔽效应的重要空间信息——自屏蔽效应是指在高吸收燃料区域内中子群体被削弱的现象。
NVIDIA 的两步物理对齐方法联合预测中子通量场和吸收截面场，然后从这些预测中计算均匀化值。这保留了决定通量加权的空间信息。
输入格式通过单热编码将燃料、包壳和慢化剂编码为二进制掩码通道，同时将燃料丰度作为第四个通道广播。目标数据在对数空间中被归一化，以处理中子运输计算中固有的大动态范围。
行业影响
对于竞相部署 SMR 的核开发商（如 NuScale、TerraPower 和 X-energy），更快的设计迭代可能起到决定性作用。该框架支持下游工作流程，包括优化和不确定性量化，有可能将设计验证时间从数年压缩至数月。
这一方法不限于反应堆物理领域。NVIDIA 指出，相同的工作流程可以轻松适应 CFD 和结构分析——这些领域对于反应堆认证同样至关重要且计算密集。
所有用于数据集生成和模型训练的代码都已在 NVIDIA 的 GitHub 仓库中公开，这降低了核工程师将 AI 增强模拟集成到现有工作流程中的门槛。
Image source: Shutterstock.jpg)