Штучний інтелект допомагатиме виявляти ядерну загрозу

Нове дослідження Тихоокеанської північно-західної національної лабораторії (PNNL) використовує машинне навчання, аналіз даних та штучний інтелект для того, щоб виявляти потенційні ядерні загрози.

Аналітик PNNL з нерозповсюдження ядерної зброї Бенджамін Вілсон має унікальну можливість поєднати ці методи аналізу даних та машинного навчання з ядерним аналізом.

«Запобігання розповсюдженню ядерної зброї вимагає пильності, — сказав Вілсон. «Це потребує праці, від аудиту ядерних матеріалів до розслідування того, хто працює з ядерними матеріалами. Для полегшення цієї задачі можна використовувати методи, що базуються на аналізі даних».

За підтримки Національного управління ядерної безпеки (NNSA), Ініціативи «Математика для штучного мислення в науці» (MARS) та Міністерства оборони дослідники PNNL працюють над декількома проектами, спрямованими на підвищення ефективності ядерного нерозповсюдження та заходів безпеки. Нижче наведено основні тези деяких з них.

Виявлення витоку ядерних матеріалів

Підприємства з переробки ядерних матеріалів збирають використане ядерне паливо та розподіляють його на відходи. Потім продукти використовуються для виробництва сполук, які можна переробляти як нове паливо для ядерних реакторів. Ці сполуки містять уран і плутоній, і їх можна використовувати для ядерної зброї. МАГАТЕ слідкує за ядерними об'єктами, щоб переконатися, що жоден із ядерних матеріалів не використовується для ядерної зброї. Це тривалі регулярні перевірки, а також збирання зразків для подальшого аналізу.

"Ми могли б заощадити багато часу і трудовитрат, якби змогли створити систему, яка автоматично виявляє аномалії на основі даних виробничого процесу", - сказав Вілсон.

У дослідженні, опублікованому в The International Journal of Nuclear Safeguards and Non-Proliferation, Вілсон працював із дослідниками з Sandia National Laboratories над створенням віртуальної копії установки для переробки. Потім вони навчили модель штучного інтелекту виявляти шаблони даних процесу, котрі представляють витік ядерних матеріалів. У цьому змодельованому середовищі модель продемонструвала непогані результати. "Малоймовірно, що цей підхід буде використовуватися в найближчому майбутньому. Але наша система забезпечує перспективний початок для доповнення існуючих заходів безпеки", - сказав Вілсон.

Аналіз текстів для пошуку ознак поширення ядерної зброї

Фахівці за даними PNNL розробили інструмент машинного навчання на основі Google BERT: мовна модель, навчена на даних Вікіпедії для запитів загального характеру. Мовні моделі дозволяють комп'ютерам «розуміти» людські мови — вони можуть читати тексти та отримувати з них важливу інформацію, включаючи контекст та нюанси. Люди можуть ставити питання BERT, наприклад: «Населення Швейцарії?» та отримати правильну відповідь.

Хоча навчена Вікіпедією модель чудово відповідає на питання загального характеру, їй бракує знань в ядерній області. Тому команда створила AJAX, помічника, покликаного заповнити цю прогалину у відомостях.

"Хоча AJAX все ще знаходиться на ранній стадії розробки, він може заощадити аналітикам багато годин робочого часу, надаючи як пряму відповідь на запит, так і докази для цієї відповіді", - сказав Субраманіан. Докази особливо інтригують дослідників, оскільки більшість моделей машинного навчання часто називають «чорними ящиками», які не залишають слідів доказів своїх відповідей, навіть якщо вони вірні. AJAX прагне забезпечити можливість аудиту, отримуючи документи, що містять докази.

"Коли справа стосується такої важливої ​​галузі, як виявлення поширення ядерної зброї, нам важливо знати, звідки надходить наша інформація", - сказав Субраманіан.

Ця розробка була опублікована у Міжнародному журналі ядерних гарантій та нерозповсюдження.

Наразі аналітики МАГАТЕ проводять багато годин, читаючи дослідні статті та вручну аналізуючи безліч даних, у яких міститься інформація про поширення ядерної зброї. Дослідники сподіваються, що в майбутньому можна буде поставити ці питання AJAX і отримати не лише відповідь, а й посилання на джерела інформації. Це значно спростить завдання аналітиків.

Аналіз зображень для визначення походження ядерних матеріалів

Іноді правоохоронці стикаються з ядерним матеріалом, який знаходиться поза регулюючим контролем і має невідоме походження. Вкрай важливо з'ясувати, звідки надійшов матеріал і де він був створений. Адже завжди існує ймовірність, що виокремлений зразок може бути лише частиною матеріалу, який перебуває у незаконному обігу. Криміналістичний аналіз ядерних матеріалів є одним із інструментів аналізу, що використовуються у цій вкрай важливій роботі.

Дослідники PNNL у співпраці з Університетом штату Юта, Ліверморською національною лабораторією Лоуренса та Лос-Аламоською національною лабораторією розробили алгоритм машинного навчання для судово-медичної експертизи цих зразків. Їхній метод використовує зображення з електронного мікроскопа для порівняння мікроструктур ядерних зразків. Різні матеріали містять тонкі відмінності, які можна знайти за допомогою машинного навчання.

"Уявіть, що синтез ядерних матеріалів схожий на випічку печива", - сказала Елізабет Джуррус, керівник ініціативи MARS. «Дві людини можуть використати один і той самий рецепт і в результаті отримати різне печиво. Те саме і з ядерними матеріалами».

На синтез цих матеріалів можуть впливати багато факторів, такі як місцева вологість та чистота вихідних матеріалів. В результаті ядерні матеріали, вироблені на конкретному підприємстві, набувають особливої структури — «характерного вигляду», який можна побачити в електронному мікроскопі.

Дослідження опубліковано у Journal of Nuclear Materials.

Дослідники створили бібліотеку зображень різних ядерних зразків. Вони використовували машинне навчання, щоб порівняти зображення з їхньої бібліотеки з невідомими зразками і таким чином з'ясовували походження невідомих.

Це допоможе ядерним аналітикам з'ясувати джерело матеріалу та направити подальші дослідження.

Швидше за все, мине деякий час, перш ніж такі агенції, як МАГАТЕ, впровадять методи машинного навчання у свої способи виявлення ядерної загрози. Проте такі дослідження можуть вплинути на цей процес і оптимізувати його.

«Ми не очікуємо, що штучний інтеллект повністю замінить спеціалістів, ми розглядаємо його як спосіб полегшити їхню роботу», — кажуть дослідники. «Ми можемо використовувати машинне навчання для виявлення важливої інформації, щоб аналітики могли зосередитись на найважливішому.