人工智能(ArtificialIntelligence,AI)，是研究开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的技术科学。从1956年在达特蒙斯学院(Dartmouth)暑期论坛上首次提出[1]，已经经过了60多年的发展和积淀，近十几年来，随着互联网、云计算、大数据、超级计算等新技术的发展，推动了以基于深度学习的神经网络(简称深度学习)为代表的人工智能技术飞速发展，广泛应用于图像分类、语音识别、知识问答、人机对弈、无人驾驶等领域，迎来爆发式增长的新高潮，正引发可产生链式反应的科学突破，加速新一轮的科技革命和产业变革。当前，人工智能的研究热点是基于深度学习的神经网络算法的理论完善和应用拓展。
作为引领未来的战略性技术，世界主要发达国家均把发展人工智能作为提升国家竞争力、维护国家安全的重大战略，加紧出台规划和政策，力图在新一轮国际科技竞争中掌握主导权。2017年7月，我国颁布实施《新一代人工智能发展规划》，将人工智能提升至国家战略层面，提出了面向2030年我国新一代人工智能发展的三步走战略目标，要求到2030年，人工智能理论、技术与应用总体达到世界领先水平，成为世界主要人工智能创新中心。2019年3月，中央全面深化改革委员会第七次会议审议通过了《关于促进人工智能和实体经济深度融合的指导意见》。我国发展人工智能具有市场规模、应用场景、数据资源、人力资源、资金投入、国家政策支持等多方面的综合优势。当前是我国加强人工智能布局、收获人工智能红利、引领智能时代的重大历史机遇期。
目前了解到，国际上的研究都还处于方法可靠性和应用软件的开发上，无论是美国还是欧洲的项目，由于该技术路线难度极大，所需投入的资源较多，目前尚未在工程领域大量应用。要想在此轮智慧核能争夺中占据主动，首先应当深入掌握当前人工智能的核心技术——基于深度学习的神经网络算法，它是一种具有多个隐含层的人工神经网络，通过调整隐含层数、各层的神经元节点数、节点之间的连接关系、连接权重以及网络的学习系数、激活函数等，具有强大的非线性映射功能，在参数预测、智能控制、故障诊断等许多领域都有着广泛的应用前景。本文首先介绍神经网络算法一些基本模型，接着重点阐述其在核工业各领域的应用，最后对加强智能核能建设提出一些建议和展望。
2.神经网络算法
2.1.深度神经网络技术发展状况
深度学习实质是通过构建具有很多隐层的神经网络模型和海量的训练数据，来学习更有用的特征，研究表明，模型的表示能力会随着深度的增加而呈指数增长[23]，从而最终提升分类或预测的准确性。
2.2.主要的深度神经网络模型
2.2.1.BP神经网络(BPNeuralNetwork,BPNN)
BP网络结构简单，工作方式稳定，理论上可实现高精度非线性拟合，对于简单分类、非线性映射、模式识别等问题有不错的应用效果。
2.2.2.卷积神经网络模型(ConvoluntionalNeuralNetwork,CNN)
卷积神经网络适合处理图像数据，在计算机视觉领域应用广泛。CNN的设计思想受到了视觉神经科学的启发，主要由输入层、卷积层、池化层、全连接层及输出层组成，卷积层与池化层交替连接，卷积层和池化层的数量可由模型的复杂度决定。卷积层能够保持图像的空间连续性，将图像的局部特征提取出来．池化层能降低中间隐藏层的维度，减少后续各层的运算量，并提供了旋转不变性。
Figure1.StructureofBPneuralnetwork
2.2.3.循环神经网络模型(RecurrentNeuralNetwork,RNN)
Figure2.RNNexpansionintime
2.2.4.生成式对抗网络(Generativeadversarialnetworks,GAN)
Figure3.ArchitectureofGaN
2.3.深度神经网络发展趋势
随着深度学习技术的不断发展，新的神经网络模型正在不断涌现，目前的研究重点有：
1)无监督数据的特征学习。当前，标签数据的特征学习仍然占据主导地位，而真实世界存在着海量的无标签数据，将这些无标签数据逐一添加人工标签，显然是不现实的，因此，随着深度学习技术的发展，越来越重视对无标签数据的特征学习，以及将无标签数据进行自动添加标签技术的研究。
3)迁移学习。迁移学习可以说是一种“站在巨人肩上”的学习方法，可以在不同领域中进行知识迁移，使得在一个领域中已有的知识得到充分的利用，不需要每次都将求解问题视为全新的问题。一个好的迁移学习方法可以大大加快模型的训练速度。
4)模型压缩。深度学习仍在不断进步，目前网络的规模开始朝着更深但是参数更少的方向发展，如微软提出的深度残差网络和Standford提出的稀疏神经网络，该研究体现了深度神经网络中存在参数的冗余性，可以预见未来的算法研究会进一步压缩冗余参数的存在空间，网络可能具有更好的精度但是却拥有更少的参数。
5)嵌入式设备。目前深度学习技术正往嵌入式设备靠近，即原来的训练往往在服务器或者云端，而嵌入式设备通过网络将待识别的任务上传至云端，再由云端将处理结果发送到嵌入式端，随着嵌入式设备计算能力的提升、新型存储技术以及储电技术的进步，在嵌入式端完成实时训练是完全可能的，到时就可能实现真正的人工智能。
3.深度神经网络在我国核领域中的应用
3.1.反应堆运行状态预测
核电厂有数百个系统、专业，设备众多，传统运行维护及检修需要耗费大量人力、物力。随着智能仪表广泛应用，大量设备状态信号被监测，形成核电运行大数据，运用深度神经网络，能够对设备状态进行快速预测和诊断，具体应用有以下几个方面：
3.1.1.压水堆堆芯关键参数预测
Figure4.PredictionprocessofcorekeyparametersofBPneuralnetworkalgorithm
Table1.Predictionerroranalysisofcorekeyparameters
3.1.2.快堆热工参数预测
Figure5.Errorcurveofneuronnumber
Figure6.Errorconvergencecurvescorrespondingtodifferentoptimizers
3.1.3.反应堆堆芯功率场的预测
3.2.反应堆故障诊断
Figure7.SchematicdiagramofcorepowerreconstructionBPneuralnetworkmodelstructure
Figure8.Simulationofcorethree-dimensionalpowerdistributionbasedonRBFneuralnetwork
以上所述应用大多是使用智能算法诊断或预测数据，体现出较多统计学特点。目前，智能方法正在与先进仿真技术相融合，即将统计模型与物理仿真结合。国内在该领域也开展了一定工作。例如在研究堆领域，中国原子能科学研究院研究发布了数字微堆系统，构建了一个虚拟数字反应堆集成开发环境，对安装、首次临界、运行、应用、退役和安全等开展全方位模拟仿真。据介绍，采用数字微堆系统后，新设计和建造一个微堆将显著缩短建设周期，节省建设投资，并可为用户提供数字化运行和维修培训及教学系统。
3.3.反应堆优化设计
3.3.1.反应堆堆芯换料方案设计
Figure9.Flowchartofneuralnetworkfaultdiagnosis
Figure10.Neuralnetworkfaultdiagnosisapplication
Figure11.Convergenceofcompositealgorithm
3.3.2.反应堆屏蔽设计
Figure12.Shieldingoptimizationflowchartbasedonneuralnetworkandgeneticalgorithm
3.4.核素识别
这之后有众多学者将不同类型的网络应用到能谱进行分析中，包括BP网络[37][38]、OLAM网络[39][40]、多层感知器(MLP)网络[41]、概率神经网络[42]、LVQ网络[43]等，最新研究指出能谱分析与神经网络结合还可以应用于核安全与防止核扩散[44]。
Figure13.Designofnucliderecognitionclassifierintegratedsystem
Figure14.Recognitionrateofclassifierintegrationsystemundermeasurednuclides
神经网络具有非线性映射、快速并行分布处理、学习特征等能力，应用于能谱分析能有效提高核素识别效率，减少对核专业知识的依赖，最终实现核素识别的快速化、智能化，有很好的应用前景。
3.5.核医学图像诊断
Figure15.Neuralnetworkmedicalimagereconstructiontechnology
3.6.核电机器人
核电机器人可替代人潜入核电站拍摄传递图像，让人们更真切了解核电站内部真实状况，也可在高辐射区域代替人工开展一些特殊操作。例如，中国科学院自行研制的多功能水下智能检查机器人已先后为中核、中广核等多家单位提供支持。国家863计划“核反应堆专用机器人技术与应用”课题在广西防城港核电基地通过验收，研发出6款核电智能机器人。在智能机器人设计的过程中，主要涉及到以下关键技术：多传感器信息融合、导航与定位、路径规划、机器人视觉、智能控制等，其中深度神经网络都能发挥很大的作用。
3.7.数字矿山
近年来，中核集团核四院与天山铀业致力于数字矿山探索，瞄准国际先进矿山技术和管理经验，不断提升自动化、信息化水平，初步建成了集工艺过程控制、生产场所实时监控、生产流程统一调度、应急管理综合指挥为一体的智能管理网络平台。目前，专家系统、神经网络、模糊逻辑、自适应模式识别、遗传算法等人工智能技术、GPS技术、并行计算技术、射频识别技术以及面向岩石力学问题的全局优化方法、遥感技术等已在智能矿山地质勘探调查与测量、智能矿山设计、智能矿山开采、计划与控制、矿山灾害遥感预报等研究领域得到应用。
4.建议与展望
4.1.建议
根据叶奇蓁院士的分析[46]，我国核电领域人工智能发展分为三个阶段，第一阶段为基础建设阶段，从采用智能仪表、智能控制到核电站全数字仪控系统建立；第二阶段为人工智能系统架构建立阶段，利用互联网+建立大数据系统，开发数字核电站和虚拟现实技术；第三阶段为人工智能系统应用开发阶段，实现智能操作指导、事故处理指导、设备系统的智能维护，以及高辐射区、不可达地区机器人的使用等。目前，我国大部分核电站已采用全数字化仪控系统，正处在第二阶段数字化核电站系统架构建立阶段，其中深度学习是关键技术之一。
但是，我国核领域神经网络算法的应用起步相对较晚，总体而言，系统性研究还不多见，主要的应用还是进行模式识别、故障诊断、关键参数预测等，对于神经网络的生成功能、决策功能使用较少。这十多年来，赶上了神经网络爆发性发展的大势，我国的神经网络理论和应用研究正在飞速发展，与核领域的交叉融合也是整个行业的发展战略，未来必将在这方面取得突破性进展。
为促进我国智慧核能建设进一步健康发展，笔者有以下建议：
近年来，各国核电领域信息安全事件频发。黑客、病毒等对核电系统的攻击会导致系统遭到破坏，信息和数据被非法访问、更改、泄露，系统控制的装置和设备失灵，甚至核设施和核电厂被强制关闭。尤其是2010年伊朗核电站爆发的“震网”病毒，造成伊朗核电站关闭，持续影响长达半年。Szegedy等[47]发现深度学习会被对抗性样本攻击，即本来正确分类的图片加上小的扰动能使深度学习模型误判成别的类别。因此，在做好纵深防御、分等级保护等信息安全保障措施的同时，我们需要防止对抗性样本攻击造成神经网络失效，研究在对抗性样本攻击下，仍能保持一定程度稳定性的算法。
2)加强核领域的专用神经网络算法开发
我国核领域的神经网络应用研究不少，但是缺乏对于算法的深入理解，大多数应用开发都是基于一些神经网络工具箱进行，无法根据实际问题的需要修改算法内部细节，在算法效能上缺乏进一步提升的空间。我们应当加强对算法原理的研究，根据核领域的特定需求，自主开发专用定制软件，达到更好的应用效果。
3)耦合其他算法综合应用
神经网络算法在对数据的分类、学习、预测与评估等方面具有广泛而有效的应用，其局部搜索能力强，但是全局搜索能力稍差，在全局优化方面不如其他人工智能算法：遗传算法、粒子群算法、模拟退火算法等。针对神经网络算法网络结构复杂问题，可以使用其他人工智能算法辅助搜索网络的模型参数，比如隐含层数、节点个数等，寻找较优的网络模型；针对神经网络使用梯度下降算法优化权值容易陷入局部最优、全局搜索能力稍差的问题，可以结合其他人工智能算法设计新的优化权值的算法，加速神经网络的训练过程，提高训练的效果。目前这两方面的耦合均已有研究，正在发展更深层次的交叉算法。
4)加强顶层整体规划和跨学科合作
当前，我国核工业以“数字矿山、智能制造、数字(智能)核电、智慧经营”为主线的行业科技发展路径已清晰显现。在整个行业智能化趋势的大背景下，各单位都在纷纷开展人工智能的应用研究，需要做好全行业的顶层规划，统一体系、统一方向、统筹安排，避免重复投入。在技术上，由于人工智能、神经网络技术是一个涉及心理学、神经科学、数学、计算机、控制论等多学科的交叉科学，它的应用研究需要复合背景的人才，需要构建一个多专业、跨学科、综合性的科研团队，通力合作，才能产出高质量的成果。
4.2.展望
展望核领域神经网络技术的发展，还有以下几个新的技术方向：
1)基础物理现象建模。
核反应堆工程涉及多个学科，其中一些物理现象比较复杂，难以通过理论推导得到准确的通用基础模型。由此导致新型反应堆或换热器的设计仍然离不开热工实验，需要花费大量资金搭建实验装置。随着实验技术的进步，目前对于沸腾、流动等复杂现象能够开展更加精细的测量，得到大量数据。美国的科研团队正研究采用深度神经网络的技术分析海量实验数据，以建立适用性更广的热工水力学基础模型，从而减少新设计对于大型实验设施的依赖。
2)核反应堆的少人或无人值守智能运行。
目前，通过使用智能化技术，一些常规发电厂已经实现了少人值守，并在探索无人值守，这将有利于避免人因失误。与火电厂相比，核电厂的安全标准和要求非常高，进一步研究打造以无人监测、少人值守为目标的智慧核电运营模式，可有效提升核电运行安全水平。此外，对于未来太空、深海区域的核反应堆，因环境特殊性需要实现无人智能运行。目前，美国正在开发适用于火星等太空环境的核反应堆，使用深度神经网络实现智能运行是其中的关键技术。
3)与大数据技术的结合。
5.结论
在新一轮人工智能发展的重大战略机遇期，在构筑我国人工智能发展的先发优势和建设创新型国家和世界科技强国过程中，加强神经网络算法的理论研究，推动其与核工业的交叉融合应用，努力实现技术融合、算法融合、数据融合，对于促进核电行业向数字化、网络化、智能化发展，建设智慧核工业、加快我国由核大国向核强国跨越的进程有重大意义。