NuTwin: A Zero-Trust, Confidential Cloud Architecture for Real-Time Nuclear Reactor Digital Twins Using Physics-Informed Neural Networks
本文介绍了 NuTwin，一种零信任、机密云架构，该架构利用 AWS Nitro Enclaves 中的物理信息神经网络（PINNs），旨在实现核反应堆安全、实时的数字孪生诊断，同时确保亚秒级推理延迟并严格遵守物理守恒定律。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
在核电站的核心内部，一场关于物理变化速度与人类反应速度的持续、高风险竞赛正在上演。反应堆堆芯是一个蕴含巨大能量的地方，微小的粒子在那里碰撞并分裂，释放出必须以绝对精准度进行管理的能量。如果中子流（驱动反应的粒子）的平衡发生哪怕极其微小的偏移，温度就可能飙升，或者反应可能停滞，从而可能导致危险的紧急停堆。为了防止这种情况，工程师们依赖于“数字孪生”：这是反应堆的虚拟副本，能够根据正在发生的情况实时预测下一步的发展。然而，创建一个既能足够快以捕捉这些瞬息万变的变化，又能足够精确以遵循严格物理定律的数字孪生，一直是一项近乎不可能完成的任务。传统的计算机模型通过模拟反应堆的所有细节来进行运算，但运行速度太慢，无法实现实时模拟；而较新的人工智能工具虽然速度很快，却经常产生违背自然法则的答案，预测出在现实中根本不存在的能量水平。
更复杂的问题在于安全与信任。从反应堆堆芯传输的数据极其敏感，通常保存在一台与外界完全隔离的计算机上，这种屏障被称为“气隙”。将这些数据发送到公共云端以实现更快处理，会引入新的风险，因为黑客可能会拦截信息，或者更糟的是，误导系统做出危险的决策。研究人员长期以来一直在寻求一种方法，既能将云端的速度和现代人工智能的学习能力带入核安全领域，又不会破坏治理反应堆的物理法则或保护它的安全屏障。
一位研究人员现在提出了一种名为 NuTwin 的解决方案，该系统旨在通过结合一种特殊类型的人工智能与堡垒般的安全架构来弥补这一差距。其创新的核心在于计算机的学习方式。研究人员并没有让标准的 AI 仅根据历史数据来猜测未来，而是强迫系统学习描述核反应堆行为的实际方程。他们构建了一个能够理解中子数量、特定副产物（称为延迟中子前驱体）浓度以及燃料和冷却剂温度之间关系的模型。通过将这些物理定律直接植入学习过程，该系统无法产生违反能量守恒或已知反应堆动力学的预测。它不仅仅是在记忆模式，而是在解一个规则固定且不可更改的谜题。
为了确保这个智能系统可以在公共云环境中安全使用，研究人员为其包裹了一层加密隔离层。他们利用了一种被称为“机密计算飞地”（confidential computing enclave）的技术，它就像大型计算机内部的一个安全的临时房间。在这种设置下，来自反应堆的数据流入云端，但它进入了一个进行处理的锁定舱室。这个舱室在工作时没有用于存储数据的硬盘，也没有与外界的网络连接。一旦计算完成，结果会被发送回来，随后整个房间会被清空，不留下任何敏感信息的痕迹。这种设计确保了即使托管系统的主要计算机遭到破坏，安全舱室内的反应堆数据仍然是无法读取且无法触碰的。
研究人员使用了一个模拟真实世界条件的模拟反应堆环境对该系统进行了测试，包括稳态运行、反应性突变以及紧急停堆。他们将新系统与另外两种方法进行了对比：一种是传统的、缓慢的计算机模拟，另一种是标准的、不受约束的人工智能模型。结果显示，标准人工智能确实很快，但在面对极端情况时表现得非常糟糕，其产生的预测大幅违反了物理定律。相比之下，NuTwin 系统保持了高度的准确性，将其误差控制在极小的百分比之内，同时仍能在不到半秒的时间内给出预测。这种速度足以跟上真实反应堆堆芯内发生的快速变化。
或许最重要的一点是，安全性测试证实了该系统成功隔离了数据。安全飞地防止了在计算过程中任何外部访问反应堆参数的行为，有效地关闭了通常阻碍核数据离开工厂的网络威胁之门。研究人员证明了，开发一个既符合物理特性又具备加密安全性的数字孪生是可行的。尽管这项工作是使用模拟而非真实的核电站进行的，但其研究结果为核安全监测的未来提供了一条可行的路径。通过证明“物理启发式人工智能”可以在云端安全运行，这项研究为监视全球反应堆提供了一种新方法，确保它们在不牺牲现代技术所能提供的速度和洞察力的前提下，依然保持安全。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。