کاربرد هوش مصنوعی و شبکه های عصبی آگاه از فیزیک (PINNs) در مدل سازی و تحلیل سامانه های فیزیک هسته ای با تاکید بر ظرفیت های آموزشی

گسترش روش های هوش مصنوعی و یادگیری عمیق در سال های اخیر، زمینه های نوینی را برای مدل سازی و تحلیل سامانه های پیچیده فیزیکی فراهم کرده است. در این میان، شبکه های عصبی آگاه از فیزیک (Physics-Informed Neural Networks: PINNs) به عنوان یکی از رویکردهای نوظهور یادگیری علمی، با وارد کردن معادلات حاکم، شرایط اولیه و مرزی و قیود فیزیکی در فرایند آموزش شبکه عصبی، امکان تلفیق دانش فیزیکی با قابلیت های یادگیری ماشین را فراهم می کنند. پژوهش حاضر با رویکردی مروری-تحلیلی، ظرفیت ها و کاربردهای هوش مصنوعی و PINNs را در مدل سازی و تحلیل سامانه های فیزیک هسته ای بررسی می کند. در این راستا، کاربرد این روش ها در مدل سازی انتقال و پخش نوترون، سینتیک راکتور، تحلیل برهم کنش تابش با ماده، پردازش داده های آشکارسازهای هسته ای و حل مسائل معکوس مورد توجه قرار گرفته است. تحلیل مطالعات نشان می دهد که PINNs، به ویژه در مسائلی که داده های آزمایشگاهی محدود اما قوانین فیزیکی حاکم مشخص هستند، از ظرفیت قابل توجهی برای ایجاد مدل های محاسباتی مکمل برخوردارند؛ بااین حال، چالش هایی نظیر هزینه آموزش، دشواری همگرایی در مسائل چندمقیاسی، انتخاب معماری مناسب و ضرورت اعتبارسنجی دقیق فیزیکی همچنان مطرح است. افزون بر جنبه های محاسباتی، این پژوهش ظرفیت آموزشی PINNs را برای شبیه سازی و بصری سازی مفاهیم انتزاعی فیزیک هسته ای بررسی می کند. بر این اساس، تلفیق مدل های آگاه از فیزیک با محیط های آموزشی تعاملی می تواند زمینه ای برای تقویت یادگیری مفهومی، آموزش مبتنی بر مدل سازی و توسعه سواد هوش مصنوعی در آموزش فیزیک فراهم سازد. در مجموع، PINNs را می توان نه به عنوان جایگزین مطلق روش های عددی متعارف، بلکه به عنوان رویکردی مکمل در پیوند میان مدل سازی فیزیکی، هوش مصنوعی و آموزش نوین فیزیک در نظر گرفت.

کلیدواژه ها:

هوش مصنوعی ، شبکه های عصبی آگاه از فیزیک (PINNs) ، فیزیک هسته ای ، یادگیری ماشین ، مدل سازی محاسباتی ، انتقال نوترون ، شبیه سازی هسته ای ، آموزش فیزیک