Indonesia Perkuat Literasi dan Pantau Platform Keuangan Digital – OpenGov Asia

Departemen Energi AS (DOE) diumumkan $ 175 juta untuk 68 proyek penelitian dan pengembangan yang bertujuan mengembangkan teknologi yang mengganggu untuk memperkuat perusahaan energi maju negara itu. Dipimpin oleh Advanced Research Projects Agency-Energy (ARPA-E) DOE, proyek OPEN 2021 memprioritaskan pendekatan inovatif untuk tantangan energi bersih, memprioritaskan pendanaan teknologi berisiko tinggi. Laboratorium Nasional Argon DOE dianugerahi $ 7,8 juta untuk tiga proyek.

Proyek terpilih – terintegrasi di 22 negara bagian dan universitas, laboratorium nasional dan perusahaan swasta – akan mengembangkan teknologi untuk berbagai bidang, termasuk kendaraan listrik, air laut, penyimpanan, dan daur ulang nuklir. Investasi ini mendukung tujuan iklim Presiden Biden untuk meningkatkan produktivitas teknologi energi bersih domestik, memperkuat keamanan energi negara dan meningkatkan ekonomi dengan menciptakan pekerjaan dengan gaji lebih baik.

Universitas, institut, dan laboratorium nasional kami menggandakan inovasi dan produksi teknologi energi bersih di Amerika Serikat untuk memberikan solusi energi vital mulai dari energi terbarukan hingga energi fusi untuk mengatasi krisis iklim. Investasi DOE menunjukkan komitmen kami untuk mempromosikan inovasi untuk mencapai emisi nol bersih di Amerika Serikat pada tahun 2050, menciptakan lapangan kerja yang membayar energi bersih dan mengembangkan rencana yang berani untuk memperkuat kemandirian energi kami.

– Jennifer M Cronhome, Menteri Energi AS

Proyek terpilih akan fokus pada teknologi seperti merevolusi sel bahan bakar untuk kendaraan ringan dan berat, mengurangi limbah nuklir dan mengurangi biaya bahan bakar. Komite proyek OPEN 2021 Argonne meliputi:

Konversi non-neutron bahan bakar nuklir bekas:

Proyek ini akan mengembangkan teknologi yang akan mendukung instalasi energi nuklir nol-karbon yang layak secara komersial, dapat dialihkan, untuk pasar energi bersih di masa depan. Mitra: Institut Teknologi Massachusetts; Universitas Michigan; Universitas California, Berkeley; Laboratorium Nasional Idaho dan Laboratorium Nasional Brookhaven. (Jumlah Penghargaan: $ 3.000.000).

Desain fasilitas canggih dan kecerdasan buatan/pembelajaran mesin adalah perlindungan untuk membuat daur ulang bahan bakar nuklir cepat yang aman dan ekonomis:

Proyek ini akan mengembangkan teknologi kunci yang mendukung komersialisasi dan perizinan pyroprocessing untuk memungkinkan pemulihan dan daur ulang bahan nuklir berharga dari bahan bakar nuklir yang digunakan dalam reaktor canggih. Mitra: Oke. (Jumlah Penghargaan: $ 3.600.000).

Proses tanpa emisi untuk reduksi langsung besi oleh plasma hidrogen dalam tanur putar:

Penelitian ini berupaya mendisrupsi industri baja dengan menghilangkan penggunaan kokas atau gas alam dan menciptakan proses produksi besi karbon nol yang membutuhkan energi lebih sedikit daripada proses saat ini. Mitra: Universitas Illinois di Urbana-Champaign dan ArcelorMittal. (Jumlah Penghargaan: $ 1.200.000).

Argon berkomitmen untuk mempercepat solusi perubahan iklim yang akan berkontribusi pada kemakmuran dan keamanan AS. Sebagai bagian dari upaya ini, peneliti kami mengubah cara kami menggunakan kembali bahan bakar nuklir, merancang pertahanan reaktor nuklir, dan menghasilkan baja karbon nol. Penemuan ilmiah ini tidak akan mungkin terjadi tanpa dukungan ARPA-E untuk teknologi energi bersih.

Dalam kolaborasi baru, ilmuwan komputer Argone menggunakan keahlian pembelajaran mesin otomatis lab dan kekuatan superkomputer, menurut laporan oleh OpenGov Asia. Dengan mengurangi jumlah pengujian yang mahal dan simulasi yang memakan waktu dengan pendekatan pembelajaran mesin baru, model akurat dapat dibuat yang memberikan informasi berharga tentang proses pengelasan dalam waktu sesingkat mungkin dan dengan biaya terendah.

Pendekatan ini, yang disebut DeepHiper, adalah rangkaian pembelajaran mesin otomatis terukur yang dikembangkan oleh Argon Computational Scientist. Pembelajaran mesin adalah proses di mana komputer melatih dirinya sendiri untuk menemukan jawaban terbaik untuk pertanyaan tertentu.

DeepHiper mengotomatiskan desain dan pengembangan model prediktif berdasarkan pembelajaran mesin, sering kali didorong oleh para ahli, yang melibatkan proses coba-coba. Karena tidak ada model yang merupakan cerminan lengkap dari realitas. Para peneliti tidak terutama mencoba untuk menemukan satu model prediksi terbaik dan kondisi pengelasan yang terkait dengannya. Sebaliknya, mereka membuat ratusan model yang sangat akurat, mengintegrasikannya untuk menilai ketidakpastian dalam prediksi dan kemudian mencoba menggunakan prediksi yang sangat teruji ini dalam proses produksi.