Обнаружение ядерных угроз с помощью искусственного интеллекта
Новое исследование Тихоокеанской северо-западной национальной лаборатории (PNNL) использует машинное обучение , анализ данных и искусственный интеллект для того, чтобы обнаруживать потенциальные ядерные угрозы.
Аналитик PNNL по нераспространению ядерного оружия Бенджамин Уилсон имеет уникальную возможность объединить эти методы анализа данных и машинного обучения с ядерным анализом.
«Предотвращение распространения ядерного оружия требует бдительности, — сказал Уилсон. «Это требует труда, от аудита ядерных материалов до расследования того, кто обращается с ядерными материалами. Для облегчения этой задачи можно использовать методы, основанные на анализе данных».
При поддержке Национального управления ядерной безопасности (NNSA), Инициативы «Математика для искусственного мышления в науке» (MARS) и Министерства обороны исследователи PNNL работают над различными проектами, направленными на повышение эффективности ядерного нераспространения и мер безопасности. Ниже приведены основные тезисы некоторых из них.
Обнаружение утечки ядерных материалов
Предприятия по переработке ядерных материалов собирают использованное ядерное топливо и разделяют его на отходы. Затем продукты используются для производства соединений, которые можно перерабатывать в качестве нового топлива для ядерных реакторов. Эти соединения содержат уран и плутоний, и их можно использовать для производства ядерного оружия. МАГАТЭ следит за ядерными объектами, чтобы убедиться, что ни один из ядерных материалов не используется для ядерного оружия. Это длительные регулярные проверки, а также сбор образцов для последующего анализа.
«Мы могли бы сэкономить много времени и трудозатрат, если бы смогли создать систему, которая автоматически выявляет аномалии на основе данных производственного процесса», — сказал Уилсон.
В исследовании, опубликованном в The International Journal of Nuclear Safeguards and Non-Proliferation, Уилсон работал с исследователями из Sandia National Laboratories над созданием виртуальной копии установки по переработке. Затем они обучили модель искусственного интеллекта для обнаружения шаблонов данных процесса, представляющих утечку ядерных материалов. В этой смоделированной среде модель продемонстрировала обнадеживающие результаты. «Маловероятно, что этот подход будет использоваться в ближайшем будущем. Но наша система обеспечивает многообещающее начало для дополнения существующих мер безопасности», — сказал Уилсон.
Анализ текстов на признаки распространения ядерного оружия
Специалисты по данным PNNL разработали инструмент машинного обучения на основе Google BERT: языковая модель, обученная на данных из Википедии для запросов общего характера. Языковые модели позволяют компьютерам «понимать» человеческие языки — они могут читать тексты и извлекать из них важную информацию, включая контекст и нюансы. Люди могут задавать вопросы BERT, например: «Население Швейцарии?» и получить правильный ответ.
Хотя обученная Википедией модель превосходно отвечает на вопросы общего характера, ей не хватает знаний о ядерной области. Поэтому команда создала AJAX, помощника, призванного заполнить этот пробел в знаниях.
«Хотя AJAX все еще находится на ранней стадии, он может сэкономить аналитикам много часов рабочего времени, предоставляя как прямой ответ на запрос, так и доказательства для этого ответа», — сказал Субраманиан. Доказательства особенно интригуют исследователей, поскольку большинство моделей машинного обучения часто называют «черными ящиками», которые не оставляют следов доказательств своих ответов, даже если они верны. AJAX стремится обеспечить возможность аудита, извлекая документы, содержащие доказательства.
«Когда дело касается такой важной области, как обнаружение распространения ядерного оружия, нам важно знать, откуда поступает наша информация», — сказал Субраманиан.
Эта разработка была опубликована в Международном журнале ядерных гарантий и нераспространения.
Сейчас аналитики МАГАТЭ проводят много часов, читая исследовательские статьи и вручную просеивая множество данных, в которых есть информация о распространении ядерного оружия. Исследователи надеются, что в будущем можно будет задать эти вопросы AJAX и получить не только ответ, но и ссылки на источники информации. Это значительно упростит задачу аналитиков.
Анализ изображений для определения происхождения ядерных материалов
Иногда сотрудники правоохранительных органов сталкиваются с ядерным материалом, который находится вне регулирующего контроля и имеет неизвестное происхождение. Крайне важно выяснить, откуда поступил материал и где он был создан. Ведь всегда существует вероятность, что извлеченный образец может быть лишь частью материала, который находится в незаконном обороте. Криминалистический анализ ядерных материалов является одним из инструментов анализа, используемых в этой жизненно важной работе.
Исследователи PNNL в сотрудничестве с Университетом штата Юта, Ливерморской национальной лабораторией Лоуренса и Лос-Аламосской национальной лабораторией разработали алгоритм машинного обучения для судебно-медицинской экспертизы этих образцов. Их метод использует изображения с электронного микроскопа для сравнения микроструктур ядерных образцов. Разные материалы содержат тонкие отличия, которые можно обнаружить с помощью машинного обучения.
«Представьте, что синтез ядерных материалов похож на выпечку печенья», — сказала Элизабет Джуррус, руководитель инициативы MARS. «Два человека могут использовать один и тот же рецепт и в итоге получить разное печенье. То же самое и с ядерными материалами».
На синтез этих материалов могут влиять многие факторы, такие как местная влажность и чистота исходных материалов. В результате ядерные материалы, произведенные на конкретном предприятии, приобретают особую структуру — «характерный вид», который можно увидеть в электронный микроскоп.
Исследование опубликовано в Journal of Nuclear Materials.
Исследователи создали библиотеку изображений различных ядерных образцов. Они использовали машинное обучение, чтобы сравнить изображения из их библиотеки с неизвестными образцами, и таким образом выясняли происхождение неизвестных.
Это поможет ядерным аналитикам выяснить источник материала и направить дальнейшие исследования.
Скорее всего, пройдет некоторое время, прежде чем такие агентства, как МАГАТЭ, внедрят методы машинного обучения в свой процесс обнаружения ядерной угрозы. Однако совершенно точно эти исследования могут повлиять на данный процесс и оптимизировать его.
«Хотя мы не ожидаем, что машинное обучение заменит чью-либо работу, мы рассматриваем его как способ облегчить их работу», —говорят исследователи. «Мы можем использовать машинное обучение для выявления важной информации, чтобы аналитики могли сосредоточиться на наиболее важном.