Rząd Stanów Zjednoczonych postanowił podjąć inwestycje w kierunku skuteczniejszego wykrywania zagrożenia nuklearnego. Realizacja ma wykorzystywać uczenie maszynowe, analizę danych oraz analizę kryminalistyczną.
Badania PNNL
Przez wzgląd na niebezpieczeństwo i możliwość zakłócenia układu o nierozprzestrzenianiu broni jądrowej przez wrogo nastawione jednostki, rząd USA postanowił polepszyć sposoby monitorowania materiałów jądrowych.
Badacze z laboratorium PNNL z Waszyngtonu postanowili podjąć się zadania, które pozwoli na skuteczne wykrywanie wszelkiego zagrożenia nuklearnego. Ich badania działają w oparciu o połączone techniki uczenia maszynowego (ML), analizę danych, a także analizę kryminalistyczną, z jednoczesnym wykorzystaniem analizy jądrowej.
Metody wykrywania zagrożenia w postaci broni jądrowej
Międzynarodowa Agencja Energii Atomowej (MAEA) zajmuje się monitorowaniem obiektów jądrowych. Do jej zadań należy kontrola zakładów przetwarzania odpadów jądrowych, gdzie dochodzi do rozdzielenia i recyklingu materiałów jądrowych. Otrzymywane odpady w swoim składzie zawierają uran oraz pluton, które mogłyby zostać użyte do broni nuklearnej. Kontrole MAEA zajmują sporo czasu i pochłaniają dużo pieniędzy, stąd pomysł na wyszkolenie maszyn, aby weryfikowały i odnajdywały przekierowania materiałów jądrowych.
Kolejną metodą poszukiwania broni nuklearnej jest stworzenie systemu AJAX, który dzięki zastosowaniu uczenia maszynowego opartego na BERT Google i wyszkolonego na Wikipedii, jest w stanie automatycznie przeprowadzić weryfikację poprawności tworzonych raportów i postępowania z odpadami i materiałami jądrowymi.
Badacze PNNL, Uniwersytetu Utah, a także z laboratoriów Lawrence Livermore oraz Los Alamos, opracowali metodę, również z wykorzystaniem uczenia maszynowego, która będzie wspomagała analizy kryminalistyczne badanych próbek. Dzięki zastosowaniu mikroskopów elektronowych możliwe jest porównywanie mikrostruktur materiałów jądrowych, co pozwala na odnalezienie różnic między nimi.
Techniki uczenia maszynowego będą sukcesywnie wprowadzane przez kolejne lata, jednak będą one jedynie wspomagały pracę naukowców i badaczy.
„Chociaż nie oczekujemy, że uczenie maszynowe zastąpi czyjąkolwiek pracę, postrzegamy to jako sposób na ułatwienie im pracy. Możemy wykorzystać uczenie maszynowe do identyfikowania ważnych informacji, aby analitycy mogli skupić się na tym, co najważniejsze.”
Elizabeth Jurrus, MARS
