تحلیل تصویری برای تعیین منشأ مواد هسته ای
گاهی یک نیروی مجری قانون به مواد هسته‌ای برمی‌خورد که در چهارچوب قوانین تنظیم شده نیستند و منشأ آنها نامعلوم است. در چنین مواقعی، پی بردن به این که مواد از کجا می آیند و منبع تولید کننده آنها چه بوده است بسیار مهم است؛ چون شاید ماده موجود در محل تنها بخشی از یک کل باشند و مقدار و منبع اصلی آن به طور غیر قانونی وارد و قاچاق شده باشد.
آژانس بین‌المللی انرژی هسته‌ای در این موارد یک پایگاه داده راه‌اندازی می‌کند و از کشورهای مختلف می‌خواهد با مشارکت و همکاری با یکدیگر با قاچاق مواد هسته‌ای مبارزه کنند تا امنیت هسته‌ای مستحکم تر شود. تحلیل قانونی مواد هسته‌ای یک ابزار تحلیلی مفید و کاربردی است.
پژوهشگران «آزمایشگاه ملی شمال غربی پاسیفیک» (PNNL)روشی ابداع کرده‌اند که برای تحلیل قانونی نمونه‌های مواد هسته‌ای از یادگیری ماشین بهره می‌گیرد. در این روش از تصاویری که با میکروسکوپ الکترونی گرفته شده استفاده می‌شود تا ریزساختارهای نمونه‌های مختلف با هم مقایسه شوند. نمونه ها تفاوت‌های جزئی با یکدیگر دارند که فقط با یادگیری ماشین قابل تشخیص هستند.
اگر ترکیب مواد هسته‌ای را به پختن شیرینی تشبیه کنیم، دو فرد مختلف می‌توانند از یک روش تهیه استفاده کنند، اما دو شیرینی با ظاهری متفاوت بپزند. ترکیب شیمیایی مواد هسته‌ای تحت‌تأثیر عوامل متعددی از جمله رطوبت محل و درجه خلوص مواد اولیه است. نتیجه نهایی این می شود که مواد هسته‌ای تولیدشده در یک تأسیسات، ساختار به خصوص و متفاوتی را خواهد داشت که مشخصه آن بوده و با میکروسکوپ الکترونی قابل مشاهده است.
***
برای رویارویی با تهدیدها علیه منع گسترش سلاح‌های هسته ای، آژانس‌هایی مثل «آژانس بین‌المللی انرژی اتمی» (IAEA)تکنیک های پایش بسیار دقیقی را به کار می‌گیرند تا مطمئن شوند مواد هسته‌ای که معاهداتی روی آنها بسته می‌شوند در جهت ساخت سلاح‌های هسته‌ای به کار نمی روند. این نهادها همچنین از روش های قانونی پیچیده بهره مند هستند تا منشأ مواد هسته‌ای را که نیروهای مجری قانون کشف می‌کنند تعیین کنند اما این روش‌ها در بیشتر مواقع زمان‌بر و پرزحمت هستند.
در پژوهش تازه‌ای که در «آزمایشگاه ملی شمال غربی پاسیفیک» (PNNL)انجام شده، از یادگیری ماشین، تحلیل داده و استدلال مصنوعی استفاده می‌شود تا شناسایی تهدیدها و تحلیل قانونی آسان تر و سریع‌تر انجام شود. این آزمایشگاه با ادغام تکنیک های رایانه‌ای و تبحر در زمینه بازرسی‌های پادمانی و عدم تکثیر تسلیحات سعی دارد با انجام پژوهش‌های مختلف و تبدیل آنها به راه‌حل‌های کاربردی و واقع گرایانه، به شیوه های مبتکرانه‌ای دست یابد.
تحلیل گرهای آزمایشگاه تحلیل های داده‌ای خود را با تکنیک‌های یادگیری ماشین تلفیق می‌کنند. آنها به طور دقیق می‌دانند آژانس بین‌المللی انرژی اتمی به دنبال چه نوع اطلاعاتی است تا فعالیت های بدخواهانه احتمالی و عاملین آنها را افشا کند.
جلوگیری از گسترش سلاح‌های هسته‌ای مستلزم مراقبت و آمادگی است. این اقدام شامل بازرسی مواد هسته‌ای، نمونه برداری مداوم از تأسیسات هسته‌ای و انجام تحقیقات در این که چه کشورهایی از آن مواد استفاده می کنندTاست. تکنیک‌های مبتنی بر تحلیل داده می‌توانند این اقدامات را ساده‌تر کنند. پژوهشگران اکنون روی چند پروژه کار می‌کنند تا منع گسترش هسته‌ای و حفاظت‌ها را مؤثرتر کنند.
شناسایی موارد تبدیل مواد هسته ای به تسلیحات
تأسیسات بازیافت هسته‌ای، سوخت هسته‌ای استفاده شده را جمع‌آوری کرده و آن را به ضایعات هسته‌ای مختلف تفکیک می‌کنند. سپس از محصولات زباله‌ای تفکیک شده به‌منظور تولید ترکیباتی که می‌توانند بازیافت شوند و به عنوان سوخت تازه در رآکتورهای هسته‌ای به کار روند استفاده می‌کنند. این ترکیبات دارای اورانیم و پلوتونیم هستند؛ دو عنصری که در ساخت سلاح های هسته‌ای به کار می‌روند. آژانس بین‌المللی انرژی اتمی تأسیسات هسته‌ای را پایش می‌کند تا جای تردیدی نماند که هیچ‌یک از مواد هسته‌ای تبدیل به سلاح هسته ای نمی‌شوند. این پایش شامل بازرسی‌های منظم و نمونه‌برداری از مواد برای پی بردن به حرکت‌های مخرب احتمالی است.
اگر سیستمی ایجاد شود که قابلیت تشخیص خودکار هر گونه مورد غیر طبیعی در داده‌های پردازش شده تأسیسات را داشته باشد، زمان و هزینه های کار به طرز چشمگیری کاهش می یابند.
پژوهشگران PNNL با همکاری «آزمایشگاه ملی سندیا» یک نسخه مجازی از یکی از تأسیسات بازیافت هسته‌ای ساخته اند. آنها به یک مدل یادگیری ماشین آموزش دادند تا الگوهای پردازش داده که نمایانگر تبدیل مواد هسته ای به اشکال دیگری است را شناسایی کند.
مدل در این محیط شبیه‌سازی شده نتایج دلگرم‌کننده ای از خود نشان داد. اگر چه بعید است که این رویکرد در آینده‌ای نزدیک مورد استفاده قرار گیرد اما آغاز امیدوار کننده‌ای است تا تمهیدات پادمانی فعلی را تقویت کند و مکمل آنها باشد.
تحلیل متون برای یافتن نشانه هایی از تکثیر سلاح های هسته ای
پرسش‌های مهمی هستند که باید پاسخ قانع کننده‌ای برایشان وجود داشته باشد: بررسی و پژوهش روی مواد هسته‌ای بر عهده چه‌کسی است؟ آیا پژوهش انجام شده با توافقات زیست‌محیطی آن استان یا شهر هم‌سو است؟ تأسیسات مورد بازرسی تجهیزات تخصصی خود را چگونه کسب کرده است؟ مواد هسته ای آنها در حال حاضر در کجا برای مقاصد پژوهشی استفاده می شوند؟
پرسش‌های متعددی هستند که تحلیل‌گرهای آژانس هر روز برای پاسخ دادن به آنها کار می کنند. برای یافتن پاسخ ها، باید ساعت‌های زیادی را صرف خواندن مقاله های پژوهشی کنند و به طور دستی حجم زیادی از داده‌ها را وارسی و غربال کنند. تحلیل‌گرهای داده در آزمایشگاه PNNLسعی دارند این کار مهم را به کمک مدل یادگیری ماشینی که ساخته و شبیه‌سازیی که انجام داده‌اند بسیار آسان‌تر کنند.
هدف آنها ابداع شیوه‌ای است که پژوهشگران بتوانند با استفاده از آن پرسش‌های تخصصی خود در حوزه انرژی هسته‌ای را مطرح کنند و پاسخ‌های درستی بگیرند.
ابزار یادگیری ماشین آنها بر اساس یک مدل زبانی به نام بِرت BERT، ساخت شرکت گوگل است. برای آموزش دادن به این مدل زبانی، از اطلاعات ویکی پدیا که برای پرسش‌هایی در سطح اطلاعات عمومی هستند کمک گرفته شده‌است. مدل‌های زبانی رایانه‌ها را قادر می‌سازند تا زبان های انسانی را فرا بگیرند. آنها می‌توانند متون را بخوانند و اطلاعات مهم را از آنها استخراج کنند. عموم مردم می‌توانند از بِرت سوال بپرسند. برای مثال: پایتخت فرانسه کجاست؟ و بدون شک پاسخ درست را دریافت خواهند کرد. مدلی که با محتوای ویکی پدیا تغذیه شده و آموزش دیده است در پاسخ دادن به پرسش‌های مرتبط با اطلاعات عمومی بسیار خوب عمل می کند، اما در زمینه هسته ای کم اطلاع است. بنابراین، تیم پژوهشی «آژاکس» را ساختند تا این کمبود جبران شود. آژاکس دستیار مصنوعی داوری متن است و اگر چه هنوز در مراحل ابتدایی کار خود است اما این پتانسیل را دارد که ساعت‌های زیادی را از مدت زمانی که تحلیل‌گرها باید صرف کنند کاهش دهد؛ چون هم به طور مستقیم پاسخ می‌دهد و هم شواهد و مثال‌هایی برای پاسخ خود می‌آورد. از آنجا که موضوع مهمی مثل تشخیص گسترش سلاح‌های هسته ای مطرح است، پژوهشگران روی منبعی که اطلاعات از آن می‌آید بسیار حساس هستند و موضعی موشکافانه دارند.
برنامه «ابتکار ریاضیات استدلال مصنوعی برای علوم» (MARS)که در آزمایشگاه PNNLراه اندازی شده در حال توسعه یک روش‌شناسی جدید برای ساخت سیستم‌های هوش مصنوعی قابل تفسیر مبتنی بر علم است. این سیستم ها به اکتشافات و شناخت از طریق استدلال ماشینی سرعت می‌بخشند.
code
اکبر عزیزی اقدامی دیر، اما باارزش