El aprendizaje automático, el análisis de datos y el razonamiento artificial refinan la capacidad de detectar amenazas nucleares derivadas del uso indebido de la energía atómica y favorecen el seguimiento del material nuclear incontrolado.
Una nueva investigación del Laboratorio Nacional del Noroeste del Pacífico (PNNL) está utilizando el aprendizaje automático, el análisis de datos con técnicas de visión artificial, y el razonamiento artificial, para conseguir que la detección de amenazas y el análisis forense en el dominio nuclear sean más sencillos y rápidos, según se informa en un comunicado.
Las técnicas empleadas en estos desarrollos están basadas en las diferentes disciplinas de la Inteligencia Artificial, una rama de las ciencias de la computación que imita la inteligencia humana para la solución de problemas y la realización de tareas.
Técnicas IA
Las técnicas empleadas en estos estudios del PNNL son, por un lado, el aprendizaje automático, que permite que las máquinas aprendan sin ser expresamente programadas para ello.
La segunda técnica se refiere al análisis de datos y gráficos utilizando técnicas de análisis visual, que combinan visualizaciones interactivas con técnicas avanzadas de análisis de datos automatizados, lo que permite obtener conocimientos más profundos de la información analizada.
En este caso, el equipo desarrolló una herramienta de aprendizaje automático basada en BERT de Google: transformó un modelo de lenguaje entrenado en datos de Wikipedia para consultas de conocimiento general, en un modelo especializado en el dominio nuclear. Estos modelos de lenguaje permiten que los ordenadores "entiendan" los lenguajes humanos.
Por último, el estudio empleó asimismo el razonamiento artificial, otro recurso de la IA que por un lado enfatiza la deducción lógica y por otro la incertidumbre, orientada a solucionar problemas aleatorios.
Prevenir la proliferación nuclear
La Organización Internacional de Energía Atómica (OIEA) y otras instituciones de salvaguardia emplean diferentes técnicas de vigilancia para garantizar que los materiales nucleares sujetos a acuerdos no se utilicen para producir armas nucleares, así como métodos forenses para determinar el origen de los materiales nucleares recuperados por las fuerzas del orden. Estas técnicas requieren por lo general mucho tiempo y mano de obra intensiva.
“Prevenir la proliferación nuclear requiere vigilancia”, señala al respecto Benjamin Wilson, analista de no proliferación del PNNL y ex inspector de salvaguardias del OIEA.
“Involucra mano de obra, desde auditorías de materiales nucleares hasta investigaciones sobre quién manipula los materiales nucleares. Sin embargo, las técnicas basadas en el análisis de datos se pueden aprovechar para hacer esto más fácil”, añade.
Varios proyectos IA
Con el apoyo de la Administración Nacional de Seguridad Nuclear (NNSA), la Iniciativa de Matemáticas para el Razonamiento Artificial en la Ciencia (MARS) y el Departamento de Defensa, los investigadores del PNNL están trabajando en varios proyectos de Inteligencia Artificial para hacer que la no proliferación nuclear y las salvaguardas sean todavía más efectivas.
La OIEA supervisa las instalaciones nucleares para asegurarse de que los materiales nucleares no se desvíen hacia armas nucleares. Por lo general, esto implica inspecciones periódicas y la recolección de muestras para ensayos destructivos posteriores.
“Podríamos ahorrar mucho tiempo y costos de mano de obra si pudiéramos crear un sistema que detecte anomalías automáticamente a partir de los datos de proceso de las instalaciones”, dice Wilson.
Desafíos nucleares
Para desarrollar esta posibilidad, Wilson trabajó con investigadores de Sandia National Laboratories y construyó una réplica virtual de una instalación de reprocesamiento nuclear.
En su estudio, entrenaron a un modelo de aprendizaje automático para detectar patrones de datos que representan el desvío de materiales nucleares. En este entorno simulado, el modelo mostró resultados alentadores para la detección de estas eventualidades.
“Aunque es poco probable que este enfoque se utilice en un futuro inmediato, nuestro sistema proporciona un comienzo prometedor para complementar las salvaguardas existentes”, dice Wilson.
Análisis forense
Los científicos de datos del PNNL, Megha Subramanian y Alejandro Zuniga junto con Benjamin Wilson, Kayla Duskin y Rustam Goychayev, facilitaron esta tarea del PNNL a través de una investigación que se presentó en The International Journal of Nuclear Safeguards and Non-Proliferation.
“Queríamos crear una forma para que los investigadores hicieran preguntas específicas del dominio nuclear y recibieran las respuestas correctas”, dice Subramanian.
Los investigadores del PNNL, en colaboración con la Universidad de Utah, el Laboratorio Nacional Lawrence Livermore y el Laboratorio Nacional de Los Álamos, consiguieron asimismo utilizar el aprendizaje automático para potenciar el análisis forense de muestras nucleares y radiactivas. Su método utiliza imágenes de microscopía electrónica para comparar microestructuras, ya que las muestras contienen diferencias sutiles que se pueden identificar mediante el aprendizaje automático.
Los expertos en ciencia forense nuclear ayudan en las investigaciones policiales mediante el procesamiento de pruebas que contienen o están contaminadas con materiales nucleares u otros productos radiactivos. La IA puede potenciar eficazmente su labor, según estas investigaciones, que se publican en una edición especial del Boletín ESARDA, la asociación europea que promueve y armoniza la investigación y el desarrollo en el área de las salvaguardias nucleares.
Como las galletas
“Imagínese que sintetizar materiales nucleares fuera como hornear galletas”, dice Elizabeth Jurrus, líder de la iniciativa MARS. “Dos personas pueden usar la misma receta y terminar con galletas de aspecto diferente. Lo mismo pasa con los materiales nucleares”.
Aunque puede pasar algún tiempo antes de que agencias como el OIEA adopten técnicas de Inteligencia Artificial en su proceso de detección de amenazas nucleares, está claro que estas tecnologías pueden impactar y agilizar el proceso, aseguran estos investigadores.
“Aunque no esperamos que el aprendizaje automático reemplace el trabajo de nadie, lo vemos como una forma de facilitar su trabajo”, dijo Jurrus.
“Podemos usar el aprendizaje automático para identificar información importante para que los analistas puedan concentrarse en lo que es más importante”, concluye.
Referencia
ESARDA Bulletin N.63. Special issue on Data Analytics for International Nuclear Safeguards and Non-Proliferation. Joint Research Centre. ISSN:1977-5296, doi:10.2760/577687
