引言
熔盐反应堆（MSR）作为第四代核能系统的核心技术之一，因其固有的高安全性、潜在的高效率、出色的燃料循环灵活性（包括利用钍燃料和现有核废料）以及小型模块化设计的潜力，在全球范围内受到了广泛关注，并被视为未来清洁能源的重要选项。然而，MSRs 的实际应用面临诸多技术挑战，其中选择和优化能够在极端高温（700°C 以上）、高辐射和强腐蚀性环境中长期稳定运行的熔盐组合是关键瓶颈。
合适的熔盐不仅要具备优良的传热和载流能力，还要对结构材料的腐蚀最小化，并有效管理裂变产物的行为。熔盐体系具有巨大的成分组合空间（例如，由多种氟化物或氯化物构成的二元、三元甚至多元混合物），每一种组合在不同温度和压力下的物化性质都独一无二。传统的“试错法”实验筛选方法不仅耗时、成本高昂，而且难以在极端环境下安全地进行，尤其难以深入理解原子/分子尺度的复杂相互作用机理。这种“组合爆炸”的问题使得仅依靠实验手段几乎不可能穷尽所有潜在的优良熔盐体系。因此，迫切需要一种更高效、更具预测性、且能提供微观洞察的新方法来加速熔盐材料的研发。
AI驱动的解决方案
为了应对熔盐选择这一复杂挑战，阿贡国家实验室（ANL）的研究团队率先提出并实施了一种基于人工智能（AI）和先进计算模拟的创新集成方法。该方案的核心在于利用机器学习的力量，通过学习大量高精度计算数据来构建能够快速预测熔盐性质的模型，从而大幅压缩筛选空间，并提供传统实验难以获得的微观信息。
该方法利用第一性原理计算生成精确的基础数据，用这些数据训练机器学习势函数，进而驱动大规模分子动力学模拟来预测熔盐的宏观和微观性质。最后，通过先进的实验手段对计算预测结果进行验证和校准，形成一个高效且可靠的研究闭环。
核心技术深度解析
该AI驱动的熔盐研究方案成功整合了多项前沿技术：
1.熔盐反应堆（MSR）
￮基本原理和特点： MSR 使用高温液态盐作为冷却剂或兼作燃料载体。燃料（如溶解在氟盐中的铀、钚或钍氟化物）与熔盐混合，在炉芯（通常包含石墨慢化剂）中发生裂变。反应产生的热量由熔盐带出，通过换热器用于发电。其设计特点包括低压运行（显著降低爆炸风险）、本征安全机制（如冻结塞，过热时自动排盐）、高温工作（热效率高，可提供高温工艺热）以及燃料循环灵活性（支持钍循环，减少核废料）。
￮挑战： 主要挑战包括熔盐对结构材料的强腐蚀性、缺乏成熟的供应链和行业标准、燃料盐的在线化学处理复杂性以及维护的复杂性。
￮在本应用中的角色： 对MSR基本原理和挑战的理解是驱动熔盐研究的根本出发点，明确了需要解决的核心问题——即找到能在特定高温、高腐蚀环境下稳定、高效工作的熔盐体系。
2.密度泛函理论（DFT）
￮基本思想与Kohn-Sham方程： DFT 是基于量子力学的第一性原理计算方法。其核心思想（Hohenberg-Kohn定理）是多电子体系的基态性质可以由其基态电子密度唯一确定。通过 Kohn-Sham (KS) 方程： [−12∇2+Veff®]ϕi®=ϵiϕi®[−21∇2+Veff(r)]ϕi(r)=ϵiϕi(r) 其中 Veff®=Vext®+VH®+Vxc®Veff(r)=Vext(r)+VH(r)+Vxc(r)，将复杂的相互作用体系转化为一个易于处理的无相互作用体系。KS方程形式上是单电子薛定谔方程，通过求解一组单电子轨道 ϕi®ϕi(r) 来得到电子密度 ρ®ρ(r) 和总能量。关键在于交换-关联势 Vxc®Vxc(r) 的精确近似。
￮在本应用中的角色： DFT 是为AI模型提供高精度训练数据的基石。它可以精确计算少量原子构型的能量、受力等信息，捕捉原子间的量子力学相互作用。这些数据构成了训练机器学习势函数所需的高质量“标注”样本。由于DFT计算量巨大（随体系大小呈三次方增长），无法直接用于大规模、长时间尺度的熔盐模拟，但它是提供微观准确性的不可或缺的输入源。
3.高斯近似势（GAP）
￮基本原理与训练过程： GAP 是一种基于高斯过程回归（Gaussian Process Regression, GPR）的机器学习势函数。它通过学习 DFT 计算得到的能量和力数据，构建一个能够预测任意原子构型能量和力的数学模型。模型使用原子环境描述符（如球面谐波基函数）来量化原子的局域环境，并利用核函数衡量不同环境的相似性。训练过程涉及构建包含多样化原子构型（通过分子动力学、结构弛豫等方法采样获得）的训练集，进行DFT计算获得能量和力，然后利用GPR拟合势能面。
￮在本应用中的角色与优势： GAP 充当了 DFT 和大规模分子动力学模拟之间的桥梁。一旦训练完成，它能够以远高于 DFT 的速度（接近传统经验势的速度）计算体系的能量和力，同时保持接近 DFT 的高精度。这种高精度和高效率的结合使得对包含成百上千个原子、纳秒甚至微秒时间尺度的熔盐体系进行分子动力学模拟成为可能，克服了 DFT 在规模和时间尺度上的限制。GAP 的可转移性意味着一个针对特定离子组合训练的势函数，在一定程度上可以用于模拟该组合在不同温度或相态下的性质。
4.先进光子源（APS）
￮产生高能X射线机制： APS 是一种大型同步加速器装置，通过使高能电子束在磁场中以接近光速运动，产生极其明亮、高能的同步辐射X射线。特别是利用波动器（undulators）等特殊磁体，可以使电子协同摆动，产生亮度极高的相干X射线束。近期升级后的APS更是通过新的储存环技术，将X射线亮度提高了数百倍。
￮在本应用中的角色与验证： APS 是对计算模拟结果进行高精度实验验证的关键工具。利用其产生的高能X射线，可以对熔盐样品进行多种无损表征，例如：
▪X射线散射（如广角X射线散射WAXS）：提供熔盐的原子径向分布函数，反映原子间的平均距离和配位数，可与MD模拟结果直接对比。
▪X射线吸收谱（XAS/EXAFS）：提供特定元素的局域结构和电子态信息。
▪高能X射线衍射/成像：研究宏观结构、组分分布、缺陷等。 通过APS获得的高精度实验数据，能够有效校准、验证和改进基于AI的计算模型和模拟结果，确保理论预测的可靠性。其强大的穿透力和高分辨率（纳米甚至亚纳米尺度）使其能够探测熔盐在高温下的结构信息，是其他实验手段难以替代的。
技术协同与优势
DFT、GAP驱动的分子动力学模拟与APS实验验证共同形成了一个强大且高效的熔盐研究闭环：
图：基于计算与实验协同的熔盐研究闭环示意图
在这个闭环中，DFT 提供原子尺度的基础真理，GAP 将这种高精度能力扩展到更大规模和更长时间尺度，MD 模拟揭示熔盐的动态行为和宏观性质，而 APS 实验则提供了不可或缺的真实世界验证和校准。
这种AI驱动的技术协同方法相较于纯实验或纯计算方法，具有以下关键优势：
•效率与成本： 通过计算预筛选和预测，大幅减少了需要进行的昂贵且复杂的极端环境实验，显著提高了研发效率并降低了成本。
•预测能力： AI模型可以预测尚未进行实验的熔盐组合的性质，加速发现潜在的优良材料。
•深入理解： 分子模拟提供了原子/分子层面的动力学和结构信息，有助于揭示熔盐行为的根本机理，指导材料设计，而非简单的现象观察。
•安全性： 大部分筛选和探索工作在计算机中完成，规避了处理高温、高腐蚀性和放射性材料的早期风险。
•探索新空间： 能够研究传统手段难以触及的极端条件或组分复杂的体系。
前景与结论
阿贡国家实验室利用AI（特别是GAP）结合DFT和分子动力学模拟，并辅以APS进行实验验证的研究范式，为解决熔盐反应堆燃料选择这一复杂问题提供了极具前景的解决方案。这项工作不仅加速了对潜在熔盐材料的理解和筛选，为下一代熔盐反应堆的设计和开发提供了关键的科学数据和理论支持，从而有望推动MSR技术早日实现商业化应用，在全球能源结构转型中发挥重要作用。
展望未来，这种AI驱动、计算与实验紧密协同的研究模式具有更广泛的应用前景。它不仅仅局限于核能领域，更能推广到其他需要研究复杂材料体系（如高温合金、催化剂、电池电解质、功能陶瓷等）在极端条件下的行为和性质的材料科学领域。随着AI算法和计算能力的不断发展，以及先进实验表征技术的进步，这种跨学科集成的方法将成为未来材料发现、设计和优化的重要范式，极大地加速新材料的研发进程。
核技术论坛
 阅读 赞  分享 ’%3E %3Cg transform=‘translate(0 -2.349)’%3E %3Cpath d=‘M0 2.349h24v24H0z’/%3E %3Cpath fill=‘%23576B95’ d=‘M16.45 7.68c-.954 0-1.94.362-2.77 1.113l-1.676 1.676-1.853-1.838a3.787 3.787 0 0 0-2.63-.971 3.785 3.785 0 0 0-2.596 1.112 3.786 3.786 0 0 0-1.113 2.687c0 .97.368 1.938 1.105 2.679l7.082 6.527 7.226-6.678a3.787 3.787 0 0 0 .962-2.618 3.785 3.785 0 0 0-1.112-2.597A3.687 3.687 0 0 0 16.45 7.68zm3.473.243a4.985 4.985 0 0 1 1.464 3.418 4.98 4.98 0 0 1-1.29 3.47l-.017.02-7.47 6.903a.9.9 0 0 1-1.22 0l-7.305-6.73-.008-.01a4.986 4.986 0 0 1-1.465-3.535c0-1.279.488-2.56 1.465-3.536A4.985 4.985 0 0 1 7.494 6.46c1.24-.029 2.49.4 3.472 1.29l.01.01L12 8.774l.851-.85.01-.01c1.046-.951 2.322-1.434 3.59-1.434 1.273 0 2.52.49 3.472 1.442z’/%3E %3C/g%3E %3C/g%3E %3C/g%3E%3C/svg%3E) 推荐 ’ fill=‘%23000’ fill-opacity=‘.9’/%3E%3C/svg%3E) 留言