人工智慧(Artificial Intelligence, AI)，是研究開發用於模擬、延伸和擴展人的智能的理論、方法、技 術及應用系統的技術科學。從 1956 年在達特蒙斯學院(Dartmouth)暑期論壇上首次提出[1]，已經經過了 60 多年的發展和積澱，近十幾年來，隨著網際網路、雲計算、大數據、超級計算等新技術的發展，推動了 以基於深度學習的神經網絡(簡稱深度學習)為代表的人工智慧技術飛速發展，廣泛應用於圖像分類、語音 識別、知識問答、人機對弈、無人駕駛等領域，迎來爆發式增長的新高潮，正引發可產生鏈式反應的科 學突破，加速新一輪的科技革命和產業變革。當前，人工智慧的研究熱點是基於深度學習的神經網絡算 法的理論完善和應用拓展。 作為引領未來的戰略性技術，世界主要發達國家均把發展人工智慧作為提升國家競爭力、維護國家 安全的重大戰略，加緊出臺規劃和政策，力圖在新一輪國際科技競爭中掌握主導權。2017 年 7 月，我國 頒布實施《新一代人工智慧發展規劃》，將人工智慧提升至國家戰略層面，提出了面向 2030 年我國新一 代人工智慧發展的三步走戰略目標，要求到 2030 年，人工智慧理論、技術與應用總體達到世界領先水平， 成為世界主要人工智慧創新中心。2019 年 3 月，中央全面深化改革委員會第七次會議審議通過了《關於 促進人工智慧和實體經濟深度融合的指導意見》。我國發展人工智慧具有市場規模、應用場景、數據資 源、人力資源、資金投入、國家政策支持等多方面的綜合優勢。當前是我國加強人工智慧布局、收穫人 工智能紅利、引領智能時代的重大歷史機遇期。 核工業作為高科技戰略產業，既是國家安全重要基石，又是科技強國建設的重要先導和支撐。我國 已建立起包括鈾礦地質勘探、鈾礦採冶、鈾純化、鈾濃縮、元件製造、核電、乏燃料後處理、放射性廢 物處理處置等環節的完整核工業體系，核工業已經成為軍民結合產業的標杆。我們應該抓住人工智慧發 展的重要機遇期，從整個核產業鏈出發，探索人工智慧尤其是深度學習技術融合應用的需求和場景，大 力推動人工智慧在全產業鏈的深度融合、創新應用和轉型驅動，實現全產業鏈智慧核能，引領國際核科 技發展。目前，國內各大核相關科研單位均已開展了人工智慧方面的基礎研究，各大核電集團也已全面 啟動數字核電、智慧核電建設，加強應用研發，國際上各大核強國也紛紛布局，競相爭奪智慧核能的新 高地。
目前了解到，國際上的研究都還處於方法可靠性和應用軟體的開發上，無論是美國還是歐洲的項目， 由於該技術路線難度極大，所需投入的資源較多，目前尚未在工程領域大量應用。要想在此輪智慧核能 爭奪中佔據主動，首先應當深入掌握當前人工智慧的核心技術——基於深度學習的神經網絡算法，它是 一種具有多個隱含層的人工神經網絡，通過調整隱含層數、各層的神經元節點數、節點之間的連接關係、 連接權重以及網絡的學習係數、激活函數等，具有強大的非線性映射功能，在參數預測、智能控制、故 障診斷等許多領域都有著廣泛的應用前景。本文首先介紹神經網絡算法一些基本模型，接著重點闡述其 在核工業各領域的應用，最後對加強智能核能建設提出一些建議和展望。
卷積神經網絡模型
卷積神經網絡適合處理圖像數據，在計算機視覺領域應用廣泛。CNN 的設計思想受到了視覺神經科 學的啟發，主要由輸入層、卷積層、池化層、全連接層及輸出層組成，卷積層與池化層交替連接，卷積層和池化層的數量可由模型的複雜度決定。卷積層能夠保持圖像的空間連續性，將圖像的局部特徵提取 出來．池化層能降低中間隱藏層的維度，減少後續各層的運算量，並提供了旋轉不變性。
循環神經網絡模型
在全連接的 BP 和 CNN 網絡中，每層神經元的信號只能向上一層傳播，樣本的處理在各個時刻相互 獨立，因此，該類神經網絡無法對時間序列上的變化進行建模，如自然語言處理、語音識別等，RNN 網 絡應運而生。RNN 中神經元的輸出可以在下一個時間戳直接作用到自身，即第 i 層神經元在 t 時刻的輸 入，除了(i 1)層神經元在 t 1 時刻的輸出外，還包括其自身在 t 時刻的輸入。如圖 2 所示。(t + 1)時刻 網絡的最終結果 O(t + 1)是該時刻輸入和所有歷史共同作用的結果，這就達到了對時間序列建模的目的。
但是，我國核領域神經網絡算法的應用起步相對較晚，總體而言，系統性研究還不多見，主要的應 用還是進行模式識別、故障診斷、關鍵參數預測等，對於神經網絡的生成功能、決策功能使用較少。這 十多年來，趕上了神經網絡爆發性發展的大勢，我國的神經網絡理論和應用研究正在飛速發展，與核領 域的交叉融合也是整個行業的發展戰略，未來必將在這方面取得突破性進展。