W dobie rosnącej koncentracji na generatywnym AI i jego potencjalnym wpływie na gospodarkę czy rynek pracy, naukowcy wykorzystują sieci neuronowe do rozwiązywania wyzwań związanych z nauką, energią, zdrowiem i bezpieczeństwem. Jednym z nich jest wykrywanie nielegalnych broni jądrowych. Kwestią tą zajmuje się Laboratorium Pacific Northwest National Laboratory (PNNL), którego sztuczna inteligencja poszukuje tego typu zagrożeń.
Sztuczna inteligencja szuka nielegalnej broni atomowej
Żeby mieć lepszy wgląd na sytuację zacznijmy od tego, czym tak właściwie jest to całe Pacific Northwest National Laboratory (PNNL). Otóż w dużym skrócie jest ono jednym z amerykańskich laboratoriów narodowych, które z powodzeniem stosuje algorytmy uczenia maszynowego (ML) w celu wykrywania nieznanych zagrożeń nuklearnych. Jego naukowcy dążą do stworzenia bezpiecznych, wiarygodnych, opartych na nauce systemów, które pomogą rozwiązać trudne naukowe wyzwania.
Eksperci z PNNL dzielą się swoją wiedzą na temat nierozprzestrzeniania broni jądrowej ze sztuczną inteligencją, aby wykryć i ewentualnie zminimalizować zagrożenia nuklearne. Głównym celem ich badań jest wykorzystanie analizy danych oraz algorytmów ML do monitorowania materiałów jądrowych, które mogą być wykorzystane do produkcji broni atomowej.
Sztuczna inteligencja opracowana przez PNNL może okazać się przydatna dla Międzynarodowej Agencji Energii Atomowej (IAEA), która monitoruje instalacje przetwarzające materiały jądrowe, aby upewnić się, że pluton wydzielony ze zużytego paliwa jądrowego nie jest wykorzystywany do produkcji broni jądrowej.
Algorytmy PNNL pozwalają na tworzenie wirtualnych modeli obiektów inspekcji IAEA, śledząc ważne wzorce czasowe, które są używane do szkolenia modelu oraz przewidywania normalnego użytkowania różnych obszarów obiektu. Jeśli zebrane dane nie zgadzają się z wirtualnymi prognozami, inspektorzy mogą zostać wezwani do ponownego sprawdzenia obiektu.
Sztuczna inteligencja szuka nielegalnego atomu na wiele sposobów
W laboratoriach PNNL opracowano także rozwiązanie oparte na uczeniu maszynowym, które przetwarza zdjęcia materiałów radioaktywnych za pomocą modelu autoencoder. Model ten analizuje obrazy mikroskopowych cząstek radioaktywnych, poszukując unikalnej struktury, która rozwija się w wyniku warunków środowiskowych lub czystości materiałów źródłowych w miejscu produkcji.
Autoencoder może wspomóc agencje ścigania, takie jak FBI, poprzez porównywanie mikrostruktur próbek terenowych z biblioteką zdjęć mikroskopowych opracowaną przez uczelnie i laboratoria. Dzięki temu proces identyfikacji może zostać przyspieszony.