美国太平洋西北国家实验室利用机器学习检测未知核威胁

当整个科技界都在关注生成性人工智能及其所谓的破坏经济和就业市场的能力时，研究人员正在采用神经网络来解决科学、能源、健康和安全方面的挑战，如检测未知核威胁。太平洋西北国家实验室（PNNL）正试图通过使用机器学习（ML）算法猎取未知的核威胁。

PNNL是美国能源部国家实验室之一，现在ML无处不在，可以被用来创建"安全、值得信赖、基于科学的系统"，旨在给民众和国家提供不同种类的困难科学挑战的答案。

PNNL介绍说，ML算法的正式公开亮相可以追溯到1962年，当时一台IBM 7094计算机在跳棋中战胜了人类对手。由于采用了上述算法，该系统能够自我学习，没有被明确编程以改变其对国际象棋选手Robert Nealey的策略。

PNNL说，今天，机器学习无处不在，因为它为个性化的购物推荐和语音驱动的助手（如Siri和Alexa）提供支持。像ChatGPT这样的生成型人工智能工具只是一项已经有几十年成熟和发展的技术的最新公开表现。

PNNL的研究人员也在将机器学习用于国家安全，因为该实验室的专家正在将他们在核不扩散和"人工推理"方面的知识结合起来，以检测和（可能）减轻核威胁。他们研究的主要目标是采用数据分析和机器学习算法来监测可能被用于生产核武器的核材料。

PNNL采用的人工智能对国际原子能机构（IAEA）很有用，该机构正在监测非核武器国家的核后处理设施，以了解从废核燃料中分离出来的钚是否后来被用于生产核武器。除了亲自检查之外，IAEA还使用了样品分析和过程监测，这可能是一个耗时和劳动密集型的过程。

PNNL的算法可以为IAEA检查的设施创建一个虚拟模型，跟踪"重要的时间模式"来训练模型，并预测属于设施中各个区域的正常使用模式。如果现场收集的数据与虚拟预测不一致，可以叫检查员再检查一次设施。

PNNL实验室设计的另一个由ML驱动的解决方案可以通过一个"自动编码器"模型来处理放射性材料的图像，该模型可以被训练成"压缩和解压图像"的小描述，对计算分析有用。该模型查看微观放射性粒子的图像，寻找放射性材料因其生产设施的环境条件或源材料的纯度而形成的独特结构。

执法机构（即FBI）随后可以将现场样本的微观结构与大学和国家实验室开发的电子显微镜图像库进行比较，这样他们就可以加快识别过程。PNNL的研究人员警告说，机器学习算法和计算机"不会在短时间内取代人类检测核威胁"，但它们在检测和避免美国领土上的潜在核灾难方面可以发挥作用。