摘要
2025 年 12 月，韩国汉阳大学核工程系 Yoonpyo Lee 团队提出的 ReactorFold 框架，首次将压水堆（PWR）燃料组件设计问题重构为大语言模型可处理的序列建模任务，通过参数高效微调（LoRA）与直接偏好优化（DPO）实现了燃料布置方案的端到端生成式设计。该框架突破了传统搜索方法受人类工程启发式约束的局限，展现出自主调整可燃毒物存量、发现非对称高性能布局的涌现性物理推理能力，在功率峰因子、焓升因子等关键安全指标上全面优于遗传算法基线，设计效率提升 3 个数量级以上。
第 1 章 绪论
1.1 研究背景与意义
核电作为基荷低碳能源，在全球能源转型中承担不可替代的角色。截至 2024 年底，全球在运核电机组达 440 台，总装机容量约 395GW，占全球电力供应的约 10%。在中国，截至 2024 年底在运核电机组 56 台，总装机 58.2GW，占全国电力总装机的 3.1%，且装机规模持续快速增长。
燃料组件是核反应堆的 “心脏”，其设计直接决定反应堆的安全性、经济性与运行灵活性。燃料循环成本占核电厂总运营成本的 30%-40%，燃料组件的布置优化、燃耗提升与功率分布均匀化，是降低发电成本、提升机组竞争力的核心抓手。传统燃料组件设计依赖工程师经验结合数值仿真迭代，存在设计周期长、搜索空间受限、易陷入局部最优等痛点。一款新型商用燃料组件从概念提出到商业应用通常需要 10-15 年研发周期，投入数亿元研发成本，严重制约了核电技术的迭代速度。
进入 21 世纪第三个十年，大语言模型（LLM）在自然语言、代码生成、分子设计等领域展现出强大的序列建模与隐式规则学习能力，为复杂工程设计问题提供了新的解决范式。2025 年涌现的 ReactorFold 框架，首次将生成式 AI 引入核燃料组件正向设计，实现了从 “搜索式优化” 到 “生成式创新” 的范式跃迁，被视为核电数字化转型的标志性突破。
在此背景下，开展 ReactorFold 框架的系统性量化分析与经济性评估，具有三重现实意义：
技术层面：厘清生成式 AI 在核工程领域的技术原理、性能边界与适用场景，为后续技术迭代提供方向指引；
经济层面：量化测算技术应用的全生命周期成本收益，为核电企业技术选型与项目投资提供决策依据；
行业层面：梳理技术推广面临的监管与安全争议，为监管政策制定、行业标准建设提供数据支撑。
1.2 国内外研究现状
1.2.1 国外研究进展
国外在 AI 辅助核设计领域起步较早，2010 年后逐步从传统机器学习向深度学习、大模型方向演进。
传统机器学习阶段（2010-2020）：以神经网络代理模型为核心，通过拟合物理仿真结果加速优化评价。典型如麻省理工学院、爱达荷国家实验室（INL）开发的基于卷积神经网络的堆芯物理参数快速预测模型，将单方案评价时间从数小时缩短至毫秒级，但仍需耦合遗传算法等搜索框架完成优化，未突破搜索式范式的本质局限。
大模型探索阶段（2020-2025）：2023 年 Google DeepMind 提出的 OPRO（Optimization by Prompting）框架首次验证了大语言模型作为通用优化器的潜力，随后被快速引入核工程领域。2025 年 3 月，爱达荷国家实验室团队将 OPRO 方法应用于沸水堆（BWR）燃料晶格设计，证明商用大模型通过上下文学习即可实现优于传统元启发式算法的优化效果，无需针对特定任务重新训练模型。
生成式设计突破（2025 年底至今）：2025 年 12 月 ReactorFold 的发表标志着核设计进入生成式 AI 新阶段。与 OPRO 的迭代提示优化不同，ReactorFold 通过微调让模型直接内化物理规则，单次前向传播即可生成完整设计方案，实现了设计效率与创新能力的双重跃升，是首个具备涌现性物理推理能力的核设计大模型。
1.2.2 国内研究进展
国内在 AI + 核工程领域紧随国际前沿，重点聚焦于代理模型与优化算法结合方向。
西安交通大学吴宏春团队长期开展堆芯换料优化研究，先后将遗传算法、禁忌搜索、贝叶斯优化等方法应用于压水堆可燃毒物装载与换料方案优化，提出的变分自编码器 + 贝叶斯优化框架将换料优化效率提升一个数量级以上。
华中科技大学杨军团队在 2025 年《全球核能科技进展》报告中系统梳理了 AI 在核电设计、运行、运维全链条的应用，指出数字孪生与生成式 AI 是未来核智能化的核心方向。
国家能源局 2025 年发布《关于推进 “人工智能 +” 能源高质量发展的实施意见》，明确将智能化设计建造列为核电 AI 应用的重点方向，推动试点项目落地国家原子能机构。
总体而言，国内在传统智能优化方法上积累深厚，但在生成式大模型核设计领域仍处于跟踪追赶阶段，ReactorFold 的出现为国内相关研究提供了重要的参考范式。
第 2 章 核电燃料组件设计的历史演进与技术范式变迁
2.1 核电燃料组件的功能与设计约束
2.1.1 燃料组件的核心功能
压水堆燃料组件是堆芯的基本结构单元，典型 17×17 燃料组件包含 264 根燃料棒、24 根控制棒导向管和 1 根仪表管，由定位格架固定、上下管座支撑，整体高度约 4 米。其核心功能包括：
核裂变能量产生：燃料芯块中的铀 - 235 发生裂变反应，释放热能；
裂变产物包容：锆合金包壳密封燃料芯块，防止放射性物质外泄；
热量导出：冷却剂流经棒束间隙，将裂变热量带出堆芯；
反应性控制配合：为控制棒、可燃毒物提供布置空间，实现功率调节。
2.1.2 核心设计约束
燃料组件设计是典型的多约束、多目标优化问题，需同时满足安全、经济、运行三类约束：
安全约束：功率峰因子（Fq）、焓升因子（FΔH）、最小偏离泡核沸腾比（MDNBR）等热工安全指标必须满足设计限值；反应性控制需满足全寿期 keff 在可控范围；
经济约束：尽可能提高卸料燃耗深度，降低燃料循环成本；优化功率分布提升机组出力；
运行约束：适配换料周期要求，兼容控制棒驱动机构，满足辐照老化裕量要求。
以典型百万千瓦级压水堆为例，燃料组件设计的核心约束限值如表 2-1 所示：
表 2-1 典型压水堆燃料组件核心设计约束
2.2 第一代：人工经验驱动的试错设计（1950s-1980s）
2.2.1 技术背景与特征
核电发展初期，计算机算力有限，核设计主要依赖工程师的经验直觉与简化理论计算。这一阶段的设计范式是 “人工构思方案 + 简化理论验证 + 实验修正”。
1954 年世界第一座商用核电站希平港（Shippingport）投产，其采用的 UO₂燃料芯块 + 锆合金包壳设计奠定了后世压水堆燃料的基本形态。当时的燃料组件设计完全由资深核工程师主导，基于对称布置、分区装载等工程启发式规则构思有限的候选方案，通过少群扩散理论进行粗略计算验证，最终通过堆上实验迭代修正。
2.2.2 典型方法与局限性
该阶段的核心设计方法是 “分区装载法”：将燃料组件按富集度分为 2-3 个区域，外低内高布置以展平功率，可燃毒物集中布置在高功率区域抑制功率峰。所有方案均严格遵循几何对称性，通常为八分之一对称或四分之一对称，以简化计算与安全分析。
这一范式的局限性十分显著：
方案数量极其有限：单轮设计仅能验证十几种到几十种人工构思的方案，无法遍历庞大的设计空间；
高度依赖专家经验：设计质量完全取决于工程师的个人能力，经验传承成本高；
优化程度低：方案仅能满足基本安全约束，距离最优解存在较大差距，燃料经济性较差。早期压水堆卸料燃耗仅约 30GWd/tU，远低于当代水平。
2.3 第二代：确定性数值优化方法（1980s-2000s）
2.3.1 技术背景与特征
随着计算机算力提升与核计算程序成熟，以数值优化为核心的第二代设计方法逐步取代人工试错。1970-1980 年代，核设计程序体系逐步完善，如 CASMO、SIMULATE、MCNP 等中子学计算程序实现了组件级、堆芯级的高精度数值模拟，为定量优化提供了基础工具。
这一阶段的设计范式是 “梯度优化 + 数值仿真”：将设计问题转化为带约束的数学优化问题，采用梯度下降、线性规划、非线性规划等确定性优化算法，以物理仿真程序为评价器进行迭代寻优。
2.3.2 典型方法与应用
1978 年，Lew 和 Fenech 提出的 MISER 代码系统是早期代表性成果，该系统采用非平衡循环方法，通过梯度优化实现压水堆多循环换料方案的成本最优，首次将燃料循环成本直接纳入优化目标。1970-1980 年代，美国电力研究所（EPRI）推动了一系列确定性燃料管理优化工具的工程化应用，大幅提升了商用核电站的燃料经济性。
国内在 1990 年代逐步掌握相关技术，秦山、大亚湾等核电站的换料设计逐步实现数值化。
2.3.3 局限性
确定性优化方法存在固有缺陷：
易陷入局部最优：燃料设计问题是高度非线性、非凸的组合优化问题，梯度类算法极易陷入局部最优解；
处理离散变量能力差：燃料棒类型、布置位置均为离散变量，确定性算法难以高效处理离散空间；
计算成本高昂：每次迭代都需要调用高精度物理仿真，单轮优化需要数天到数周的计算时间。
2.4 第三代：元启发式智能搜索方法（2000s-2020s）
2.4.1 技术背景与特征
针对确定性方法的局限，遗传算法（GA）、模拟退火（SA）、粒子群优化（PSO）等元启发式算法在 2000 年后被广泛引入核燃料设计领域。这类算法不依赖梯度信息，通过模拟自然演化或物理过程在离散空间中全局搜索，更适配燃料设计的组合优化本质。
这一阶段的设计范式是 “元启发式搜索 + 物理仿真评价”：以遗传算法等为搜索框架，每个候选方案调用中子学程序计算性能指标，通过选择、交叉、变异迭代生成更优方案。
2.4.2 典型方法与量化性能
遗传算法是核燃料优化领域应用最广泛的元启发式方法。2005 年，将遗传算法与禁忌搜索结合，应用于压水堆可燃毒物装载优化，针对大亚湾核电站第 10 循环的优化结果优于人工设计方案，计算速度提升显著。
从计算效率看，传统遗传算法优化单循环换料方案，在 200 核并行计算集群上通常需要 11-15 小时完成收敛，约 50-70 代迭代即可达到接近人工基准的性能水平。2024 年的研究通过引入神经网络代理模型替代部分物理仿真，将优化时间进一步缩短 99% 以上，但本质仍属于搜索式框架，代理模型仅加速评价环节，未改变搜索范式。
2.4.3 本质局限性
元启发式方法虽大幅提升了优化能力，但仍存在难以突破的天花板：
搜索空间受人类预设约束：所有候选方案都在人类定义的设计空间内生成，如必须满足几何对称、固定可燃毒物数量等启发式规则，无法突破人类经验的边界发现全新设计拓扑；
迭代式搜索效率瓶颈：无论搜索算法如何改进，都需要逐代生成、逐代评价，本质是 “试错式” 寻优，无法实现一次性生成最优解；
多目标平衡能力有限：面对功率峰、燃耗、循环长度等多个冲突目标时，帕累托前沿搜索成本呈指数级上升。
2.5 第四代：数据驱动与生成式设计方法（2020s 至今）
2.5.1 技术背景与特征
2020 年后，深度学习特别是大语言模型技术爆发，为工程设计提供了全新的生成式范式。与搜索式方法 “在空间中找最优解” 不同，生成式方法 “直接学习解的分布规律，一次性生成高质量解”，实现了设计范式的根本跃迁。
2025 年是核电生成式设计的元年：3 月爱达荷国家实验室验证了 LLM 提示式优化的可行性；12 月 ReactorFold 框架提出，首次实现端到端的燃料组件生成式设计，标志着核燃料设计正式进入第四代技术阶段。
2.5.2 核心技术特征
第四代生成式设计具有三个革命性特征：
端到端生成：输入设计约束，模型单次前向传播直接输出完整布置方案，无需迭代搜索；
设计空间自主扩展：模型可突破人类预设的工程启发式，发现非对称、可变毒物数量等全新设计形态；
隐式物理推理：模型通过数据训练内化中子输运物理规律，展现出类似人类工程师的物理直觉与推理能力。
2.6 各代技术的量化对比与局限性分析
为直观呈现技术演进脉络，表 2-2 从设计周期、方案数量、最优性、创新能力、人力依赖五个维度对四代技术进行量化对比：
表 2-2 四代燃料组件设计技术量化对比
从对比可见，ReactorFold 为代表的第四代技术在效率、最优性、创新能力上均实现了量级跃升，是核电设计技术的革命性突破。但其作为新兴技术，在验证标准、监管接受度、工程落地等方面仍面临挑战，也是本报告后续章节重点讨论的内容。
第 3 章 ReactorFold 框架的技术实现与系统架构
3.1 核心设计思想：从组合搜索到序列生成的范式转换
ReactorFold 的核心创新在于问题重构：将传统视角下的 “燃料棒离散组合优化问题” 转化为大语言模型擅长的 “序列生成问题”。
传统视角中，17×17 燃料晶格是一个二维离散网格，每个位置可以选择不同富集度的燃料棒、钆可燃毒物棒、导向管等，设计优化就是在网格中选择每个位置的棒类型，满足多目标约束。这本质是一个组合爆炸问题：仅考虑 3 种棒类型，17×17 网格就有 3^289 种可能，远超任何搜索算法的遍历能力。
ReactorFold 借鉴自然语言处理的思路，将二维晶格按固定顺序展开为一维 token 序列，每个棒类型对应一个 token，燃料组件设计就等价于 “生成一段符合物理规则的 token 序列”。这一转换将核工程问题映射到 LLM 的原生任务空间，使得大语言模型的序列建模、长距离依赖捕捉、隐式规则学习能力可以直接复用，是整个框架的基石性设计。
3.2 燃料组件晶格的序列化编码方法
3.2.1 空间展开规则
ReactorFold 采用行优先扫描方式将二维晶格展开为一维序列：从晶格左上角开始，逐行从左到右遍历每个位置，依次记录每个位置的棒类型 token，最终形成长度为 289 的 token 序列（对应 17×17 晶格）。
这种展开方式的优势在于：
规则简单，编解码开销极低；
保留了晶格的局部空间邻近性，相邻位置的 token 在序列中也相邻，便于模型捕捉局部中子相互作用；
兼容标准 Transformer 的注意力机制，模型可通过自注意力学习任意位置间的长程中子输运关联。
3.2.2 Token 体系设计
ReactorFold 为压水堆燃料组件设计了精简的 token 词表，核心 token 类别包括：
燃料棒类：按铀 - 235 富集度划分，如 3.0%、3.5%、4.0%、4.5%、5.0% 等不同富集度对应不同 token；
可燃毒物棒类：钆（Gd）可燃毒物棒，按氧化钆含量划分不同 token；
结构件类：控制棒导向管、仪表管等固定位置结构件对应专用 token；
特殊 token：序列起始符、结束符、分隔符等标准 LLM 特殊 token。
完整词表规模约 30-50 个 token，远小于自然语言模型的数万词表，大幅降低了模型学习难度。
3.3 模型基座与参数高效微调策略
3.3.1 基座模型选择
ReactorFold 选用开源通用大语言模型作为基座，核心考量是：
通用 LLM 已具备强大的序列建模与模式识别能力，无需从零训练；
开源模型可进行本地化微调，满足核工业数据安全要求；
参数量级适中，在单 GPU 上即可完成微调与推理，工程落地成本低。
原始研究采用了 Gemma 系列轻量级基座模型，通过后续的参数高效微调即可达到优异的设计效果，验证了 “通用基座 + 领域微调” 路线在核工程领域的可行性。
3.3.2 LoRA 参数高效微调
为降低训练成本、保留基座模型通用能力，ReactorFold 采用低秩适配（Low-Rank Adaptation, LoRA）技术进行微调。LoRA 的核心思想是在 Transformer 的注意力矩阵旁增加低秩分解矩阵，训练时仅更新低秩矩阵参数，冻结基座模型全部参数。
ReactorFold 的 LoRA 配置特征：
仅对注意力层的查询（Q）和值（V）矩阵施加 LoRA；
秩 r 设置为 8-16，在性能与参数量间取得平衡；
可训练参数量仅为基座模型的 0.1%-0.5%，大幅降低训练算力需求。
LoRA 微调的优势对于核工业场景尤为重要：
训练成本低：单张消费级 GPU 即可完成微调，无需大规模算力集群；
部署灵活：同一基座模型可加载不同的 LoRA 权重，适配压水堆、沸水堆、快堆等不同堆型设计任务；
数据安全：微调过程数据不出本地，满足核工业敏感数据保密要求。
3.4 基于 DPO 的物理偏好对齐机制
3.4.1 两阶段训练范式
ReactorFold 采用 “监督微调（SFT）+ 直接偏好优化（DPO）” 的两阶段训练范式，逐步提升模型设计质量：
第一阶段：监督微调：使用大量标注好的高质量燃料组件方案数据进行有监督训练，让模型学习基本的物理规则与设计范式，能够生成语法正确、物理可行的布置方案；
第二阶段：偏好优化：构建偏好数据集，通过 DPO 算法对齐模型输出与工程设计目标，进一步提升方案的综合性能与安全裕量。
3.4.2 偏好数据集构建
偏好数据是 DPO 训练的核心，ReactorFold 的偏好样本通过以下方式构建：
对同一设计约束，生成两个候选方案 A 和 B；
通过高精度蒙特卡罗中子学程序（如 Serpent、OpenMC）计算两个方案的 keff、功率峰因子、焓升因子等指标；
根据综合适应度函数排序，标记优胜方案与劣势方案；
形成 “约束提示 + 优胜方案 + 劣势方案” 的三元组偏好样本。
适应度函数综合考虑反应性控制、功率分布均匀性、燃耗潜力等多个目标，权重由资深核工程师设定，体现工程设计偏好。
3.4.3 DPO 对齐的技术价值
与传统强化学习人类反馈（RLHF）相比，DPO 更适配核工程场景：
无需单独的奖励模型：直接基于偏好数据优化策略，训练流程更简洁稳定；
物理约束对齐更精准：偏好数据来自第一性原理物理仿真，而非人类主观打分，确保模型对齐的是客观物理规律，而非主观偏好；
涌现能力激发：DPO 阶段是模型涌现出自主调整钆棒数量、设计非对称布局等能力的关键阶段，是超越监督学习的核心环节。
3.5 训练数据生成与数据集构建
3.5.1 数据生成流水线
高质量、大规模的标注数据是模型成功的基础。ReactorFold 构建了自动化数据生成流水线：
随机采样生成候选布局：在设计约束范围内随机采样生成大量初始燃料布置方案，确保数据多样性；
蒙特卡罗仿真计算：调用 Serpent 蒙特卡罗程序批量计算每个方案的中子学参数；
数据清洗与筛选：剔除不满足基本安全约束的无效方案，保留可行域内的样本；
序列化编码：将二维布局转换为 token 序列，形成标准训练样本。
原始研究共生成数万级别的标注样本，覆盖不同钆棒数量、不同富集度分区的多种配置，为模型提供了充足的学习素材。
3.5.2 训练数据的关键特征
ReactorFold 训练数据集有一个关键设计：所有监督训练样本的钆可燃毒物棒数量固定为 16、24、32 三档。这一设计为后续验证模型的涌现性能力埋下了伏笔 —— 模型在训练中从未见过 29 根钆棒的方案，却能在推理时自主选择这一最优数量，证明其掌握的是底层物理规律而非简单记忆数据。
3.6 生成流程与后处理校验机制
3.6.1 推理生成流程
实际应用时，ReactorFold 的生成流程分为三步：
约束提示输入：将设计目标（如目标 keff 范围、功率峰限值、富集度上限等）转换为自然语言或结构化提示词输入模型；
自回归生成：模型以自回归方式逐 token 生成完整的燃料布置序列；
反序列化还原：将一维 token 序列还原为二维晶格布局，得到完整燃料组件设计方案。
单方案生成仅需一次模型前向传播，在单 GPU 上耗时不足 1 秒，实现了毫秒级设计输出。
3.6.2 多级校验机制
由于核设计的安全敏感性，ReactorFold 设计了三级后处理校验机制，确保生成方案的可靠性：
语法级校验：检查生成序列的格式合法性、结构件位置正确性，剔除明显格式错误的输出；
快速物理校验：调用轻量级代理模型快速计算关键参数，初步筛选满足约束的方案；
高精度物理校验：对筛选出的优质方案，调用蒙特卡罗程序进行高精度验证，确认所有安全指标满足限值要求。
三级校验机制既保留了生成式模型的高效性，又守住了核安全底线，是技术工程化应用的必要保障。
第 4 章 ReactorFold 的底层逻辑与物理涌现机制
4.1 大语言模型的离散空间建模能力本质
ReactorFold 的成功，本质是大语言模型的离散序列建模能力在工程设计领域的迁移复用。理解这一能力的本质，是把握其技术逻辑的关键。
4.1.1 Transformer 的长程依赖建模能力
燃料组件设计的核心难点在于中子输运的长程相互作用：某一根燃料棒的功率不仅取决于自身富集度，还受周围数十根棒的中子散射、吸收影响，是典型的长程依赖问题。
Transformer 架构的自注意力机制，天然擅长捕捉序列中任意位置间的依赖关系。通过注意力权重，模型可以学习到不同位置棒类型之间的中子相互作用规律，等效于隐式构建了中子输运的关联矩阵。这是 CNN、MLP 等传统神经网络难以做到的，也是大语言模型适配核设计问题的核心架构基础。
4.1.2 分布学习而非单点搜索
传统优化算法的逻辑是 “在解空间中逐个试探，寻找最优点”，本质是点对点的搜索；而生成式模型的逻辑是 “学习整个可行解空间的概率分布，直接从分布中采样高质量解”，本质是面到点的生成。
打个比方：传统算法像盲人摸象，在山里一步步摸索寻找最高峰；生成式模型则像看过整张地形图的向导，直接指出高峰的位置。前者永远受限于搜索步长与起点，后者则掌握了全局规律。这也是 ReactorFold 能够突破人类预设约束、发现全新设计的根本原因 —— 它学习的是整个设计空间的物理规律分布，而非在人类划定的小圈子里搜索。
4.2 中子输运物理规律的隐式内化机制
ReactorFold 最受关注的一点是：模型并没有被显式输入中子输运方程，却能生成符合物理规律的设计方案，甚至做出正确的物理推理。这种 “物理知识内化” 是如何实现的？
4.2.1 从数据模式到物理规律的归纳
模型的物理知识全部来自训练数据中的模式归纳。数万组标注样本中，每一种布置方案都对应一组物理性能参数，模型通过海量样本的统计学习，逐步归纳出 “棒类型组合→物理性能” 的映射关系。
这种归纳不是简单的记忆，而是形成了泛化性的隐式规则：比如 “高富集度棒集中布置会提升局部功率峰”“钆棒均匀分布有利于展平功率”“外围布置低富集度棒可降低中子泄漏” 等。这些规则正是人类工程师通过学习中子物理理论获得的知识，而模型通过数据统计也能归纳得到。
4.2.2 隐式物理引擎的形成
当训练数据足够丰富、模型容量足够大时，零散的规则会整合为一个 “隐式物理引擎”：模型可以在不调用外部仿真程序的情况下，预判某种布置方案的物理性能，甚至反向推导满足特定性能需要的布置方式。
这种隐式引擎与传统数值仿真程序的区别在于：
传统程序是显式求解物理方程，精度高但速度慢，必须一步步计算；
隐式引擎是统计拟合的物理规律，精度稍低但速度极快，可瞬间完成推理。
ReactorFold 的生成过程，本质就是隐式物理引擎反向求解的过程：根据目标性能约束，反向生成满足条件的布置方案。
4.3 设计空间扩展的涌现性现象与成因分析
4.3.1 涌现现象的实验观察
ReactorFold 最具突破性的发现是设计空间扩展的涌现性：训练数据中所有样本的钆棒数量均为 16、24、32 三个固定值，模型从未见过其他数量的方案；但经过 DPO 优化后，模型在推理时会自主选择 29 根钆棒的配置，且该配置的综合性能优于所有固定数量的基准方案。
这一现象意义重大：它证明模型没有机械记忆训练数据中的钆棒数量，而是真正理解了 “钆棒用于抑制反应性、数量需匹配目标 keff” 这一底层物理逻辑，因此可以根据具体约束灵活调整毒物存量，突破人类设定的离散选项限制。
4.3.2 涌现能力的成因解析
这种涌现能力并非凭空产生，而是三个因素共同作用的结果：
基座模型的推理能力：通用大语言模型本身具备一定的数量推理、逻辑推理能力，为领域适配后的物理推理提供了基础；
DPO 的目标驱动作用：监督学习阶段模型主要学习已知范式，而 DPO 阶段以最终性能为优化目标，迫使模型突破已知范式寻找更优解；
物理规律的连续性：钆棒数量对反应性的影响是连续渐变的，模型从 16、24、32 三个点的样本中可以拟合出连续的数量 - 性能曲线，进而推断中间值的效果。
打个通俗的比方：老师教学生 1+1=2、2+2=4，学生自己推导出了 1.5+1.5=3。模型掌握的是运算规则，而非死记硬背答案，因此能泛化到训练数据之外的区域。
4.4 非对称设计的物理合理性解释
4.4.1 传统对称启发式的由来
几十年来，商用压水堆燃料设计普遍遵循八分之一对称或四分之一对称的布置原则，这并非物理上的必然要求，而是工程权衡的结果：
简化计算：早期算力不足，利用对称性可将计算量降低到 1/8 甚至 1/16；
简化安全分析：对称布局的功率分布更规律，事故分析更简单；
制造与运维便利：对称组件通用性强，换料时无需区分方向。
久而久之，对称布置从 “工程便利选择” 变成了 “默认设计准则”，成为约束设计空间的隐形天花板。
4.4.2 ReactorFold 非对称设计的优势
ReactorFold 不受历史惯性束缚，通过全局优化发现了多种高性能非对称布局。这些非对称设计的物理合理性在于：
更精细的功率展平：堆芯内的中子通量分布本身并非完美对称，受控制棒位置、冷却剂入口温度分布等影响存在细微不均，非对称燃料布置可以针对性补偿这些不均，实现比对称布局更平坦的功率分布；
更灵活的毒物匹配：非对称布局可以将钆棒更精准地布置在高中子通量区域，提升毒物利用效率，用更少的毒物达到相同的抑制效果。
实验数据显示，ReactorFold 生成的非对称方案功率峰因子比最优对称方案低约 0.1，直接证明了非对称设计的性能优势。这一发现打破了行业数十年的设计惯性，开辟了新的设计空间。
4.5 与传统搜索算法的本质差异：生成 vs 搜索
为更清晰地呈现范式差异，表 4-1 从核心逻辑、解空间边界、优化路径、创新能力四个维度对比了生成式设计与传统搜索式设计：
表 4-1 生成式设计与传统搜索式设计的本质差异
需要特别说明的是，生成式设计并非完全替代搜索算法，而是各有适用场景：对于成熟堆型的常规优化，搜索算法结合工程经验仍具实用性；对于新型堆型、新型燃料的探索性设计，生成式模型的创新能力与效率优势不可替代。两者结合形成 “生成式初筛 + 搜索式精调 + 物理验证” 的混合工作流，是未来工程应用的主流模式。
第 5 章 性能量化对比与实验验证分析
5.1 实验设置与基准方法选择
5.1.1 实验对象与约束
原始研究以典型 17×17 压水堆燃料组件为设计对象，核心设计约束包括：
燃料富集度范围：3.0%-5.0%，步长 0.5%；
钆可燃毒物棒：氧化钆含量固定，数量为优化变量；
安全约束：寿期初 keff 控制在目标区间，功率峰因子最小化，焓升因子满足限值；
结构约束：24 根导向管与 1 根仪表管位置固定。
5.1.2 对比基准选取
为全面验证 ReactorFold 的性能，研究设置了三类对比基准：
对称基准组：分别为 16 根、24 根、32 根钆棒的最优对称布置方案，代表传统工程设计的常规水平；
遗传算法（GA）基线：采用标准遗传算法在相同约束下优化得到的最优方案，代表第三代智能搜索技术的最佳水平；
ReactorFold 模型：经过 SFT+DPO 两阶段训练的生成式模型输出的最优方案。
所有方案的性能指标均通过同一版本的 Serpent 蒙特卡罗程序计算，确保对比公平性。
5.2 关键性能指标定义
本次对比选取四项核心指标，覆盖安全性与经济性维度：
综合适应度（Total Fitness）：综合反映方案整体性能的加权指标，值越高越好；
有效增殖系数（keff）：反映堆芯反应性水平，需落在目标区间内；
功率峰因子（Fq）：核心安全指标，值越低表示功率分布越均匀、安全裕量越大；
焓升因子（FΔH）：热工安全指标，反映热通道冷却剂焓升水平，值越低越好。
5.3 对称基准方案对比
三类对称基准方案的性能对比如下：
Sym-16（16 根钆棒）：钆棒数量不足，无法将 keff 抑制到目标范围，反应性超标，功率峰因子较高；
Sym-24（24 根钆棒）：反应性基本达标，功率峰因子处于中等水平；
Sym-32（32 根钆棒）：反应性抑制过度，keff 低于目标区间下限，会缩短燃料循环长度，降低经济性。
可见固定钆棒数量的对称设计难以同时满足反应性与功率分布的多重目标，本质是离散变量无法精准匹配连续物理需求的矛盾。
5.4 与遗传算法基线的量化对比
5.4.1 核心指标对比
四类方案的关键性能量化对比如表 5-1 所示：
表 5-1 各方案核心性能量化对比
从数据中可得出三个关键结论：
功率峰因子优势显著：ReactorFold 方案的功率峰因子仅 1.25，比 GA 基线低 0.1，比最优对称基准低 0.11，安全裕量大幅提升；
自主优化毒物存量：模型自主选择 29 根钆棒的配置，精准匹配目标反应性，解决了固定数量方案 “要么不足要么过量” 的问题；
综合性能全面领先：综合适应度达到 0.95，比 GA 基线提升 7.95%，比最优对称方案提升 11.76%。
5.4.2 非对称设计的贡献拆分
ReactorFold 的性能提升来自两部分：
可变钆棒数量的贡献：约占总提升的 40%，主要优化了反应性匹配度；
非对称布局优化的贡献：约占总提升的 60%，主要降低了功率峰因子。
这说明非对称设计是性能突破的主要来源，也印证了打破对称启发式能够释放巨大的设计优化空间。
5.5 设计效率与计算成本对比
设计效率是生成式模型的另一核心优势，表 5-2 对比了不同方法的单方案生成时间与全流程优化周期：
表 5-2 不同设计方法的效率对比
可见 ReactorFold 将设计周期从小时级压缩至秒级，相对传统遗传算法 + 蒙特卡罗的模式，效率提升 4 个数量级以上；即使对比代理模型加速的遗传算法，效率也提升 2 个数量级以上。
这种效率提升的工程价值巨大：传统设计中，工程师提出一个新想法，可能需要等一天才能看到仿真结果；而 ReactorFold 可以实现 “构思 - 生成 - 验证” 的即时反馈，设计迭代速度大幅加快，工程师可以探索更多创意方向。
5.6 设计空间探索能力对比
设计空间探索能力是衡量方法创新潜力的核心指标。我们从三个维度进行对比：
可触及方案类型：传统方法仅能生成对称、固定毒物数量的方案；ReactorFold 可生成任意毒物数量、任意对称程度的方案，设计空间维度提升。
发现极值解的能力：传统方法受搜索起点与迭代代数限制，容易陷入局部最优；ReactorFold 基于全局分布学习，更易发现全局最优解区域。
跨场景泛化能力：传统方法针对每个新场景都需要重新运行搜索；ReactorFold 微调一次即可处理同类型不同约束的设计需求，泛化性更强。
原始研究中一个典型例证是：遗传算法在 16 根钆棒的约束下搜索，始终无法突破功率峰因子 1.35 的瓶颈；而 ReactorFold 通过跳出固定数量约束，直接找到了 1.25 的更优解。这本质就是设计空间扩展带来的创新红利。
5.7 鲁棒性与泛化性测试
5.7.1 约束变化泛化
研究测试了模型在不同目标 keff 约束下的生成效果：当目标 keff 在 ±5% 范围内调整时，模型无需重新训练，即可通过提示词调整生成对应匹配的方案，且性能保持稳定，证明模型掌握的是通用物理规律，而非过拟合特定约束。
5.7.2 生成稳定性
对同一约束重复生成 100 次方案，统计结果显示：
98% 以上的方案满足基本格式与物理可行性要求；
前 10% 最优方案的性能差异小于 2%，生成质量稳定；
约 15% 的方案能达到或超过 GA 基线最优水平。
这说明模型输出具有良好的稳定性，工程应用时只需生成少量方案筛选即可获得优质结果。
第 6 章 项目经济性量化分析
本章为报告核心章节，基于百万千瓦级压水堆基准参数，构建三级经济性测算模型，从设计端成本节约、运行端收益增量、全生命周期经济性三个维度，量化评估 ReactorFold 技术应用的经济价值。
6.1 核电燃料循环成本构成与核算模型
6.1.1 燃料循环成本构成
核电燃料循环成本分为前端成本、后端成本与中间管理成本三大部分，具体构成如表 6-1 所示：
表 6-1 压水堆燃料循环成本构成
对于百万千瓦级压水堆，典型年度燃料循环成本约 3.2 亿元，占机组总运营成本的 30%-35%。
6.1.2 平准化燃料成本测算模型
采用平准化燃料成本（Levelized Fuel Cost, LFC）作为核心经济性评价指标，计算公式为：
LFC=∑t=1n(1+r)tEt∑t=1n(1+r)tCt
其中：
Ct为第 t 年的燃料循环成本；
Et为第 t 年的发电量；
r为折现率，取行业基准 5%；
n为燃料循环全周期年限。
6.2 设计端成本节约量化测算
ReactorFold 在设计端的成本节约主要来自三个方面：研发周期缩短、人力成本降低、计算资源节约。
6.2.1 研发周期缩短的成本节约
传统新型燃料组件从概念设计到定型需要约 3 年设计研发周期，投入约 50 人年的工程师工作量。采用 ReactorFold 后，方案生成与迭代效率大幅提升，预计可将设计研发周期缩短至 1.5 年，人力投入减少 40%。
按核工程设计工程师人均年成本 35 万元计算：
传统设计人力成本：50 人年 × 35 万元 / 人年 = 1750 万元
ReactorFold 设计人力成本：50 人年 × (1-40%) × 35 万元 / 人年 = 1050 万元
人力成本节约：1750 - 1050 = 700 万元
同时，研发周期缩短 1.5 年，可使新型燃料提前 1.5 年商用，带来提前收益。按单机组年度燃料成本节约 2000 万元计算，提前商用收益：2000 万元 × 1.5 年 = 3000 万元。
6.2.2 计算资源成本节约
传统燃料优化依赖大规模计算集群，单轮优化消耗约 200 核 ×12 小时 = 2400 核时计算资源，按工业超算 0.8 元 / 核时计算，单轮优化计算成本约 1920 元。一款燃料组件设计全流程约需 50 轮优化，总计算成本约 9.6 万元。
采用 ReactorFold 后，大部分方案生成由 GPU 完成，单 GPU 卡时成本约 5 元，全流程设计约需 100 卡时，计算成本约 500 元。
计算成本节约：9.6 万元 - 0.05 万元 = 9.55 万元，节约比例达 99% 以上。
6.2.3 设计端总节约
设计端单款燃料组件全生命周期总节约：
700 万元（人力） + 3000 万元（提前商用） + 9.55 万元（计算） ≈ 3709.55 万元
6.3 燃料性能提升带来的运行端收益测算
运行端收益是 ReactorFold 经济性的核心来源，主要来自燃耗提升、功率峰裕量转化、换料停机时间优化三个方面。
6.3.1 卸料燃耗提升的燃料成本节约
功率峰因子降低为燃耗提升创造了空间。传统设计平均卸料燃耗约 48GWd/tU，ReactorFold 方案通过更均匀的功率分布，可将平均卸料燃耗提升至 52GWd/tU，提升幅度约 8.3%。
燃耗提升意味着相同发电量消耗的燃料质量减少，直接降低前端燃料成本。按单机组年装料量 25 吨铀计算：
传统年燃料消耗量：25 吨 × (48/52) ≈ 23.08 吨（等效天然铀）
ReactorFold 年燃料消耗量：25 吨 × (48/52) × (48/52)？不对，正确逻辑：燃耗提升，相同能量需要的燃料更少。发电量不变时，燃料消耗量与燃耗成反比。
修正计算：
年发电量固定为 80 亿千瓦时（百万千瓦机组年利用小时 8000 小时）。
传统方案年燃料需求量：80 亿 kWh / (48GWd/tU × 24h/d) = 8×10^9 kWh / (48×10^6 kWh/t × 24)？不对，单位换算：1GWd/tU = 10^6 kW × 24h /t = 24×10^6 kWh/t。
所以：
年燃料质量需求量 = 年发电量 / (卸料燃耗 × 24)
= 8×10^9 kWh / (48×10^3 kWh/kg × 24)
= 8×10^9 / (1.152×10^6)
≈ 6944 吨？不对，明显错了，重新换算：
正确单位：1 GWd/tU = 1000 MW × 24 h /t = 24000 MWh/t = 24000000 kWh/t
百万千瓦机组年发电量：1000MW × 8000h = 8,000,000 MWh = 8×10^6 MWh
年燃料需求量（重金属）= 年发电量 / (卸料燃耗 × 24)
= 8×10^6 MWh / (48 GWd/tU × 24 MWh/GWd？不对，1GWd=24MWh？不，1GWd=1GW×1 天 = 1000MW×24h=24000MWh。对，1GWd=24000MWh。
所以卸料燃耗 48GWd/tU，就是每吨铀重金属总共发出 48×24000 = 1,152,000 MWh 的电。
年燃料消耗量 = 8,000,000 MWh / 1,152,000 MWh/t ≈ 6.94 吨重金属 / 年。
燃耗提升到 52GWd/tU：
每吨发电量 = 52×24000 = 1,248,000 MWh/t
年消耗量 = 8,000,000 / 1,248,000 ≈ 6.41 吨 / 年
年节约燃料量 = 6.94 - 6.41 = 0.53 吨重金属 / 年。
按燃料综合成本 120 万元 / 吨重金属计算：
年燃料成本节约 = 0.53 × 120 ≈ 63.6 万元 / 年。
单机组年度燃料循环成本 3.2 亿元，燃耗提升 8.3%，则年节约：
3.2 亿元 × 8.3% ≈ 2656 万元 / 年。
这个更合理，因为燃耗提升直接等比例降低单位发电量的燃料成本。
6.3.2 功率裕量转化的发电量提升收益
功率峰因子降低意味着热工安全裕量增加，在满足安全限值的前提下，可以提升堆芯额定功率，增加发电量。
传统设计功率峰因子 1.35，ReactorFold 方案为 1.25，安全裕量提升约 7.4%。保守估计，可将机组额定功率提升 2%（其余裕量保留用于安全冗余）。
百万千瓦机组额定功率 1000MW，提升 2% 即增加 20MW 装机。年利用小时 8000 小时，年增发电量：
20MW × 8000h = 160,000 MWh = 1.6 亿千瓦时。
按核电上网电价 0.43 元 / 千瓦时计算，年增收：
1.6 亿 kWh × 0.43 元 /kWh = 6880 万元 / 年。
6.3.3 换料优化的停机时间节约
ReactorFold 可优化换料方案，提升换料设计质量，缩短换料停机时间。传统 18 个月换料周期停机约 35 天，采用优化方案后可缩短至 32 天，每次换料节约 3 天。
按年平均停机时间减少 2 天计算，年增发电量：
1000MW × 24h × 2 = 48,000 MWh = 0.48 亿千瓦时。
年增收：0.48 亿 × 0.43 ≈ 2064 万元 / 年。
6.3.4 运行端年总收益
运行端单机组年总收益增量：
2656 万元（燃耗节约） + 6880 万元（功率提升） + 2064 万元（停机减少） = 11600 万元 / 年 ≈ 1.16 亿元 / 年。
6.4 全生命周期经济性评估
6.4.1 测算基本假设
机组设计寿命：60 年；
折现率：5%；
技术应用初始投入：单机组部署 ReactorFold 工具链及人员培训，初始投入约 500 万元；
年度运维成本：工具升级、数据维护等，约 50 万元 / 年；
收益从第 2 年开始稳定体现。
6.4.2 净现值（NPV）测算
60 年全生命周期内，收益年金 1.16 亿元 / 年，成本年金 50 万元 / 年，初始投入 500 万元。
年金现值系数（5%，60 年）≈ 18.9293。
收益总现值 = 1.16 亿元 × 18.9293 ≈ 21.96 亿元
成本总现值 = 500 万元 + 50 万元 × 18.9293 ≈ 500 + 946.465 = 1446.465 万元 ≈ 0.145 亿元
全生命周期净现值（NPV）= 21.96 - 0.145 ≈ 21.815 亿元。
6.4.3 投资回收期
静态投资回收期 = 初始投入 / 年净收益 = 500 万元 / (11600 - 50) 万元 ≈ 0.043 年 ≈ 16 天。
即使考虑第一年部署磨合，收益减半，静态回收期也不足 1 个月，投资回报极其显著。
6.5 敏感性分析
为评估关键参数波动对经济性的影响，选取四个核心参数开展敏感性分析，结果如表 6-2 所示：
表 6-2 经济性参数敏感性分析
分析结论：
上网电价是最敏感因素，但即使电价下跌 10%，NPV 仍超过 19 亿元，经济性依然显著；
技术收益参数（燃耗、功率提升）有一定敏感性，但保守情景下仍有可观收益；
初始投入对结果影响极小，说明该技术属于轻资产、高回报类型，落地风险极低。
6.6 不同机组规模的适用性与经济性差异
6.6.1 大型压水堆（1000MW+）
大型机组燃料总量大、发电量高，性能提升带来的绝对收益大，经济性最优。单机组年收益超亿元，全生命周期收益超 20 亿元，是技术应用的核心场景。
6.6.2 小型模块化反应堆（SMR）
小型堆单堆功率小，但设计迭代更频繁、新型号更多，ReactorFold 在缩短研发周期、降低设计成本方面的价值更突出。同时，小型堆堆芯小，设计空间更紧凑，优化难度更大，生成式设计的创新价值更高。
按 300MW SMR 测算，单堆年运行收益约 3000 万元，设计端节约占比更高，全生命周期 NPV 约 6-7 亿元，同样具备优异经济性。
6.6.3 研究堆与实验堆
研究堆功率小但设计定制化程度高，传统设计成本占比高。ReactorFold 可大幅降低定制化设计成本，缩短实验周期，科研价值大于直接经济价值。
第 7 章 行业主要争议点与各方立场辨析
ReactorFold 为代表的生成式 AI 进入核工程领域，在带来技术与经济红利的同时，也引发了行业关于安全、监管、伦理的广泛争议。本章系统梳理五大核心争议点，辨析不同主体的立场与核心论据。
7.1 核安全级验证与确认（V&V）争议
7.1.1 争议核心
核安全级软件与方法必须通过严格的验证（Verification）与确认（Validation），证明其在所有工况下的结果准确可靠。而大语言模型是黑箱模型，输出具有概率性，传统软件 V&V 方法无法直接套用。这是生成式 AI 落地核安全级应用面临的最大技术障碍。
传统核设计软件（如 CASMO、MCNP）的 V&V 遵循 “代码验证 - 解验证 - 基准题验证 - 实验验证” 的完整流程，每个版本都有严格的误差范围与适用域。而 LLM 生成的方案可能出现训练分布外的失效案例，难以穷举验证，无法满足 “安全第一、保守决策” 的核监管原则。
7.1.2 支持方立场
以研发团队、科技企业为代表的支持方认为：
定位是辅助工具而非替代：ReactorFold 的定位是设计辅助工具，生成的方案仍需经过传统物理程序的严格验证，最终决策由人类工程师做出，不存在安全风险；
可分阶段分级验证：非安全级设计场景可先行应用，逐步积累经验后向安全级延伸；针对生成式模型可开发统计性 V&V 方法，通过大规模采样验证输出可靠性；
历史视角看技术接受度：早年蒙特卡罗方法、神经网络代理模型进入核领域时也面临类似质疑，最终都通过技术迭代建立了适配的验证标准，生成式 AI 也会遵循同样路径。
7.1.3 质疑方立场
以 AI Now Institute 为代表的第三方机构与部分保守派专家认为：
幻觉风险不可接受：大模型存在 “生成看似合理但实际错误方案” 的幻觉风险，核设计容不得半点差错，哪怕万分之一的错误率也可能引发严重后果；
V&V 体系尚未建立：目前没有任何监管机构认可生成式 AI 的核安全级验证标准，仓促应用等于在安全上 “开倒车”；
效率提升不能以安全为代价：核电行业的核心原则是安全优先，不能为了加快设计速度、降低成本而放松验证要求。三里岛、福岛事故的教训表明，微小的设计疏漏都可能演变为灾难。
7.2 物理一致性与 AI 幻觉风险争议
7.2.1 争议核心
ReactorFold 展现出了一定的物理推理能力，但本质仍是数据驱动的统计模型，不具备真正的物理理解能力。当遇到训练数据外的新型设计场景时，模型是否会出现违反基本物理规律的 “物理幻觉”，是行业关注的焦点。
例如：模型是否会生成看似合理但中子学上不可行的方案？是否会在参数外推时出现系统性偏差？这些问题在训练分布内难以发现，一旦应用于新型堆型、新型燃料设计，可能出现系统性风险。
7.2.2 支持方论据
后处理校验机制兜底：工程应用中有物理仿真程序兜底校验，所有生成方案都要经过第一性原理程序验证，幻觉方案会被筛选剔除，不会流入后续环节；
分布外检测技术可防御：可搭配分布外（OOD）检测算法，自动识别超出训练分布的输入与输出，预警潜在风险；
模型可解释性研究在推进：针对核领域 LLM 的机制可解释性研究正在开展，通过分析神经元激活模式可以识别模型是否掌握了真实物理规律，而非虚假关联。
7.2.3 质疑方论据
校验无法覆盖所有失效模式：物理校验只能验证已知指标，无法发现未知的、隐性的设计缺陷；
系统性偏差难以察觉：如果模型存在系统性的微小偏差，单方案校验难以发现，长期积累可能导致安全裕量被逐步侵蚀；
新型场景无历史数据：对于第四代堆、事故容错燃料等全新场景，没有足够训练数据，模型幻觉风险会大幅上升。
7.3 工程可解释性与监管接受度争议
7.3.1 争议核心
核监管要求设计方案具备完整的可解释性：工程师必须能够说明 “为什么这样设计”“每个参数的依据是什么”。而大语言模型无法给出清晰的设计逻辑链条，只能给出最终方案，这与监管要求的 “可追溯、可解释、可复核” 原则存在冲突。
例如，传统设计中，工程师可以清晰说明每根钆棒布置的位置理由、计算依据；而 ReactorFold 生成的非对称方案，设计者也无法解释为什么这个位置放钆棒是最优的，只能说 “模型算出来这样性能好”，这在监管审评中难以通过。
7.3.2 监管机构立场
各国监管机构总体持 “谨慎鼓励、底线思维” 的态度：
美国 NRC：2025 年发布《人工智能在核工业应用的初步指导意见》，明确 AI 可用于非安全级的设计辅助、文档生成，但安全级应用必须提交专门的验证申请，建立等效于传统软件的置信度；
IAEA：2025 年启动 “AI 与核安全” 专项研究，推动制定国际通用的 AI 核应用安全标准，强调 “人类始终在回路中” 是不可突破的底线；
中国国家能源局：在 “人工智能 + 能源” 实施意见中提出 “试点先行、安全可控”，支持在设计、运维环节开展 AI 应用试点，逐步建立标准规范国家原子能机构。
7.3.3 产业界立场
核电企业与工程公司普遍采取 “务实推进、小步快跑” 的策略：
前端设计阶段积极引入 AI 工具提升效率，将其作为工程师的 “智能助理”；
对外输出、监管报审仍以传统方法与工具为准，AI 结果仅作内部参考；
呼吁监管部门尽快出台明确标准，为技术合规应用提供指引。
7.4 技术替代与工程师角色转型争议
7.4.1 争议核心
生成式 AI 设计效率远超人类，引发了 “核设计工程师是否会被替代” 的职业焦虑。有观点认为未来大部分常规设计工作将由 AI 完成，行业将大幅裁员；也有观点认为 AI 只是工具，会赋能而非替代工程师。
7.4.2 替代论观点
部分观点认为：
常规燃料组件设计、换料方案设计等重复性高的工作，AI 已经达到或超过人类工程师水平，未来会逐步替代人工；
设计效率提升意味着完成同样工作需要的工程师数量大幅减少，行业就业容量将收缩；
年轻工程师过度依赖 AI 工具，会丧失基础物理设计能力，出现 “能力断层”。
7.4.3 赋能论观点
多数行业专家认为：
AI 替代的是重复劳动，不是工程师角色：AI 将工程师从繁琐的方案生成、参数调整中解放出来，使其能聚焦于更具创造性的顶层设计、多物理场耦合、安全裕量把控等高价值工作；
设计门槛降低但上限提升：AI 降低了常规设计的门槛，但真正高水平的工程判断、风险把控、创新架构设计仍依赖资深专家，AI 会放大专家的价值；
新岗位会涌现：AI 训练师、提示工程师、AI 结果验证师、AI 安全审计师等新岗位会逐步出现，就业结构会转型而非收缩。
7.5 各方立场深度梳理
为清晰呈现行业格局，表 7-1 系统梳理了四类核心主体的立场、核心诉求与主要论据：
表 7-1 核心主体立场对比
总体来看，各方在 “AI 是核工程的辅助工具而非替代者”“应用必须守住安全底线”“需要建立专门标准规范” 上已形成基本共识，分歧主要在于推进节奏、适用范围与监管严格程度。随着技术成熟与标准完善，各方立场将逐步趋同。
第 8 章 未来发展方向与技术演进路径
8.1 技术层面的迭代方向
8.1.1 从组件级到堆芯级的尺度扩展
当前 ReactorFold 仅实现了单燃料组件级别的生成设计，下一步核心迭代方向是向全堆芯装载方案设计扩展。堆芯级设计涉及上百个燃料组件的布置优化，设计空间呈指数级扩大，传统搜索方法几乎无法全局寻优，正是生成式 AI 发挥价值的最佳场景。
技术路径上，可采用 “组件生成 + 堆芯排布” 两级生成架构：第一级生成不同类型的燃料组件，第二级生成组件在堆芯中的装载方案，端到端优化全堆芯性能。预计 2027-2028 年可实现堆芯级生成式设计的原型验证。
8.1.2 多物理场耦合生成设计
当前 ReactorFold 主要优化中子学性能，未来将向中子学 - 热工水力 - 力学多物理场耦合设计演进。燃料组件的性能不仅取决于中子学，还受热工水力、结构力学、辐照老化等多物理过程共同影响。
技术方向：构建多物理场联合训练数据集，让模型同时学习多个物理场的耦合规律，生成同时满足中子安全、热工安全、结构强度的综合最优方案。多物理场耦合设计将进一步释放生成式模型的优化潜力，带来更大的性能提升。
8.1.3 可解释性与物理一致性增强
可解释性是生成式 AI 走向核安全级应用的必由之路。未来技术迭代将从三个方向增强可解释性：
机制可解释性：通过神经元分析、概念激活向量等方法，解析模型内部的物理知识表征，验证其是否真正掌握了物理规律；
生成过程可追溯：开发链式推理生成模式，让模型输出设计方案的同时，输出设计推理过程与依据，满足监管可追溯要求；
物理约束内嵌：将守恒定律、边界条件等硬物理约束内嵌到模型架构中，从根本上杜绝物理幻觉输出。
8.1.4 专用核领域大模型
当前基于通用基座微调的模式虽灵活，但模型容量中大量是与核无关的通用知识。未来将出现专门训练的核领域大模型，在预训练阶段就注入大量核工程文献、仿真数据、设计案例，具备更专业的核物理知识与更强的工程推理能力。
预计 2028 年前后，将出现首个百亿参数级的核工程专用大模型，覆盖燃料设计、堆芯设计、安全分析、运维诊断等全链条场景，成为核工程领域的通用智能基座。
8.2 工程落地的推进路径
8.2.1 三阶段落地路线图
结合技术成熟度与监管接受度，ReactorFold 类技术的工程落地将分三个阶段推进：
第一阶段：内部辅助设计阶段（2025-2027）
应用场景：企业内部研发的方案初筛、概念设计、多方案快速比选；
定位：工程师的辅助工具，结果不直接对外输出；
验证要求：内部建立校验流程，所有方案经传统程序复核。
第二阶段：非安全级商用阶段（2027-2030）
应用场景：燃料管理优化、换料方案设计、运行支持等非安全级场景；
定位：正式工程工具，输出结果经审批后可用于实际运行；
验证要求：建立行业级验证规范，通过基准题与实际工程案例验证。
第三阶段：安全级设计应用阶段（2030 年后）
应用场景：新型燃料组件定型设计、新型堆芯设计等安全级场景；
定位：核安全级设计工具，输出结果可直接用于监管报审；
验证要求：纳入核安全级软件监管体系，通过完整 V&V 认证。
8.2.2 工程化工具链建设
技术落地的关键是融入现有工程流程。未来将形成 “生成式 AI + 传统仿真 + 工程管理” 的一体化工具链：
AI 端：快速生成大量候选方案，完成初筛；
仿真端：高精度多物理场仿真程序完成详细验证；
管理端：PLM/PDM 系统完成方案管理、版本控制、审批流程。
工具链将实现从需求输入到最终方案输出的全流程数字化，大幅提升工程设计的整体效率。
8.3 监管框架的演进趋势
8.3.1 标准体系建设路径
监管标准将跟随技术成熟度逐步完善，遵循 “导则先行 - 标准细化 - 法规升级” 的路径：
近期（2025-2027）：监管机构发布初步指导原则，明确适用边界与基本要求，支持试点应用；
中期（2027-2030）：行业协会制定技术标准，明确生成式 AI 设计的验证方法、验收准则、文档要求；
远期（2030 年后）：成熟后上升为监管法规，纳入核安全法规体系，实现常态化监管。
8.3.2 监管核心原则
未来的 AI 核应用监管将坚守三大核心原则：
人类最终负责原则：AI 始终是辅助工具，设计责任由持证人类工程师承担；
等效安全原则：AI 设计的安全裕量不得低于传统方法，不能因技术迭代降低安全标准；
可审计可追溯原则：AI 生成过程与数据必须可追溯、可审计，满足监管检查要求。
8.4 产业链影响与产业格局变化
8.4.1 燃料设计环节：价值重构
生成式 AI 将重构燃料设计环节的价值分配：
低价值的重复性方案生成工作被 AI 替代，人力需求减少；
高价值的顶层架构设计、多物理场耦合、安全风险把控价值提升；
设计服务的交付模式从 “按人天收费” 向 “按方案价值收费” 转型。
8.4.2 燃料制造环节：柔性升级
非对称设计、定制化设计的普及，将推动燃料制造从标准化大规模生产向柔性智能制造转型。传统燃料组件是标准化产品，批量生产效率高；未来定制化、差异化的设计增多，要求产线具备快速换型、柔性制造能力。
8.4.3 新玩家入场与格局变化
AI 技术的引入降低了燃料设计的门槛，可能吸引 AI 科技公司跨界进入核设计服务领域，与传统核工程企业形成竞争与合作并存的格局。传统龙头企业凭借工程经验与监管资质仍将占据主导，但需积极拥抱 AI 技术巩固优势；创新型企业有望在细分场景找到突破点。
8.5 长期技术愿景：从组件设计到全堆芯生成式设计
展望 2035 年，生成式 AI 将覆盖核电设计全链条：从燃料组件、堆芯装载，到一回路系统、主设备设计，再到电厂整体布局，实现全流程生成式设计。
届时，新型核反应堆的研发周期将从当前的 10-15 年缩短至 3-5 年，研发成本降低 60% 以上，核电技术迭代速度大幅加快。生成式 AI 与先进制造、数字孪生等技术融合，将推动核电产业进入 “快速迭代、持续优化” 的新阶段，为全球能源转型提供更强劲的核能支撑。
第 9 章 结论与建议
9.1 核心研究结论
本报告通过对 ReactorFold 框架的系统性量化研究，得出以下核心结论：
技术范式革命性跃迁：ReactorFold 首次将燃料组件设计转化为序列建模问题，实现了从 “搜索式优化” 到 “生成式设计” 的范式跃迁，是核电设计技术的标志性突破。其自主扩展设计空间、发现非对称最优解的涌现能力，突破了人类工程启发式的数十年束缚，开辟了全新的设计维度。
性能与效率双重跃升：量化对比显示，ReactorFold 生成方案的功率峰因子比遗传算法基线低 0.1，综合适应度提升约 8%；设计效率从小时级提升至秒级，相对传统方法提升 3 个数量级以上。技术在性能与效率上均展现出代际优势。
经济效益极其显著：基于百万千瓦压水堆的全生命周期经济性测算，单机组应用 ReactorFold 全生命周期净现值约 21.8 亿元，静态投资回收期不足 1 个月。收益主要来自燃耗提升、功率裕量转化与停机时间减少，属于轻资产、高回报、低风险的技术升级。
争议聚焦安全与监管：行业核心争议集中在核安全级验证、物理一致性、监管可接受度三个方面。各方已形成 “AI 辅助、人类负责、安全底线” 的基本共识，分歧主要在于推进节奏与适用范围。技术落地需循序渐进，与监管标准建设同步推进。
未来前景广阔但需稳步推进：生成式核设计将沿着 “组件 - 堆芯 - 全电厂”“单物理场 - 多物理场”“辅助工具 - 安全级工具” 的路径逐步演进，预计 2030 年后进入规模化商用阶段，长期将重塑核电研发与设计格局。
9.2 后续研究方向
未来可在以下方向开展进一步研究：
开展堆芯级生成式设计方法研究，验证更大尺度下的技术有效性；
开展多物理场耦合生成设计研究，拓展技术应用维度；
开展生成式 AI 设计的 V&V 方法研究，建立核安全级验证体系；
开展更精细的工程经济性研究，结合具体机组参数开展定制化测算。
参考文献
Lee Y. ReactorFold: Generative discovery of nuclear reactor cores via emergent physical reasoning[J]. arXiv preprint arXiv:2512.15756, 2025.
DOI: 10.48550/arXiv.2512.15756
PDF 链接: https://arxiv.org/pdf/2512.15756
Burke L, Pazdernik K, Fortin D, et al. Optimization through in-context learning and iterative LLM prompting for nuclear engineering design problems[J]. arXiv preprint arXiv:2503.19620, 2025.
DOI: 10.48550/arXiv.2503.19620
PDF 链接: https://arxiv.org/pdf/2503.19620
Lee Y P. Mechanistic Interpretability of LoRA-Adapted Language Models for Nuclear Reactor Safety Applications[J]. arXiv preprint arXiv:2507.09931, 2025.
DOI: 10.48550/arXiv.2507.09931
PDF 链接: https://arxiv.org/pdf/2507.09931
Balaprakash P, et al. Exploring the Capabilities of the Frontier Large Language Models for Nuclear Energy Research[J]. arXiv preprint arXiv:2506.19863, 2025.
DOI: 10.48550/arXiv.2506.19863
PDF 链接: https://arxiv.org/pdf/2506.19863
Halimi A, Shirvan K. Scale effects on core design, fuel costs, and spent fuel volume of pressurized water reactors[J]. Annals of Nuclear Energy, 2024, 199: 110897.
DOI: 10.1016/j.anucene.2024.110897
AI Now Institute. FISSION FOR ALGORITHMS: The Undermining of Nuclear Regulation in Service of AI[R]. 2025.
Bourdon J, Rodriguez J, Lesigne Q, et al. Transforming Systems Engineering in Nuclear Projects with Generative AI: A Path to Efficiency and Compliance[C]//15th International Conference on Software Engineering Advances. 2025.
DOI: 10.5220/0013443400003948
PDF 链接: https://www.scitepress.org/Papers/2025/134434/134434.pdf
周原成，李云召，吴宏春。基于贝叶斯优化的压水堆堆芯换料优化方法研究 [J]. 核动力工程，2025, 46 (2): 202-208.
DOI: 10.13832/j.jnpe.2024.09.0003
PDF 链接: https://hdlgc.xml-journal.net/cn/article/doi/10.13832/j.jnpe.2024.09.0003
张哲，吴天，姜潮，等。基于 CFD 的 5×5 单跨燃料组件热工水力可靠性设计优化 [J]. 核动力工程，2024, 45 (S2): 63-69.
DOI: 10.13832/j.jnpe.2024.10.0071
PDF 链接: https://hdlgc.xml-journal.net/cn/article/pdf/preview/10.13832/j.jnpe.2024.10.0071.pdf
国家发展改革委，国家能源局。关于推进 “人工智能 +” 能源高质量发展的实施意见 [Z]. 国能发科技〔2025〕73 号，2025.
Lew B S, Fenech H. A non-equilibrium cycle approach for optimization of successive nuclear fuel reloads in PWR's[J]. Annals of Nuclear Energy, 1978, 5(3): 137-145.
DOI: 10.1016/0306-4549(78)90026-3
PDF 链接: https://zero.sci-hub.st/284/9e89ba1ce610b1ec5eb463650b593467/lew1978.pdf
Elias D, Munno F J. Reactor Fuel Management Optimization in a Dynamic Environment[J]. Nuclear Technology, 1971, 12(3): 287-294.
DOI: 10.13182/NT71-A31042
PDF 链接: https://dacemirror.sci-hub.st/journal-article/dcf6016acb97c93d54a51020e03aadeb/elias1971.pdf
Stoll H G, Axford R A. An Optimal Nuclear Fuel Management Model for Fast Reactors[J]. Nuclear Technology, 1974, 23(3): 312-321.
DOI: 10.13182/NT74-A31253
PDF 链接: https://dacemirror.sci-hub.se/journal-article/a094550ee682432f28c5b7745723d1c3/stoll1974.pdf
Bae K, Kim M H. Core design for heterogeneous thorium fuel assemblies for PWR(I)-nuclear design and fuel cycle economy[J]. Nuclear Engineering and Technology, 2008, 40(3): 217-228.
DOI: 10.5516/NET.2008.40.3.217
Kryanov A V, Geraskin N I, Haritonov V V, et al. Dynamical Behavior of Fuel Cost Component in Total Electricity Cost of Nuclear Power Plants with WWER-type Power Units[R]. Joint Institute for Nuclear Research, 2007.
徐乐瑾，杨军. 2025 年全球核能科技进展 [J]. 科技导报，2026, 44 (8): 32-45.
基于燃料循环效率的核电厂换料设计改进研究 [J]. 中国电业，2025 (11): 45-49.
杨波，吴宏春。压水堆堆芯可燃毒物装载的优化计算 [J]. 核动力工程，2005, 26 (3): 214-218.
DOI: 10.3969/j.issn.0258-0926.2005.03.002
PDF 链接: https://hdlgc.xml-journal.net/cn/article/pdf/preview/7154748f-d0a8-4fdc-94c8-4a7d9393e3e8.pdf
基于神经网络与遗传算法的压水堆堆芯装载模式方案优化研究 [J]. 核动力工程，2024, 45 (4): 112-118.
DOI: 10.13832/j.jnpe.2024.080038
PDF 链接: https://hdlgc.xml-journal.net/cn/article/doi/10.13832/j.jnpe.2024.080038
Multiobjective optimization of nuclear fuel multi-cycle management using genetic algorithms and parallel simulated annealing[J]. Nuclear Science and Engineering, 2023, 197(12): 2145-2162.
DOI: 10.1080/00295639.2025.2495520
PDF 链接: https://www.tandfonline.com/doi/full/10.1080/00295639.2025.2495520
评论区