به گزارش گروه دانشگاه خبرگزاری دانشجو، همانطور که انرژی هسته‌ای برای حرکت به سمت اهداف کربن زدایی افزایش می‌یابد، تکنیک‌های یادگیری ماشین و هوش مصنوعی پتانسیلی برای سرعت بخشیدن به طراحی راکتور جدید و بهبود ایمنی ناوگان موجود ارائه می‌دهند. با این حال، استاندارد‌های ایمنی دقیق کمیسیون تنظیم مقررات هسته‌ای ایالات متحده (NRC) ممکن است پذیرش این فناوری سریع را کند کند.
شفافیت مدل برای رگولاتور‌ها از اهمیت بالایی برخوردار است. اگر یک شرکت هسته‌ای از هوش مصنوعی برای رسیدن به آستانه ایمنی برای عملکرد یک راکتور هسته‌ای استفاده کند، NRC باید بتواند اعتبار مدل را ارزیابی کند.
متأسفانه، بیشتر هوش مصنوعی یک جعبه سیاه است. در حالی که این مدل‌ها از الگو‌ها برای پیش‌بینی خروجی با سرعتی بی‌نظیر استفاده می‌کنند، نمی‌توان از روش‌های نظارتی سنتی برای ارزیابی نتایج آنها استفاده کرد. اتصال نقاط بین ورودی و خروجی برای انسان بسیار دشوار است. برای همگام شدن با صنعت، NRC به روش‌های جدیدی برای مجوز پیشنهاد‌هایی که از هوش مصنوعی استفاده می‌کنند، نیاز دارد.
برای پر کردن این شکاف، یک تیم تحقیقاتی دانشگاه میشیگان توسعه هوش مصنوعی قابل توضیح برای کاربرد‌های هسته‌ای را آغاز کرده‌اند. pyMAISE، محیط استاندارد هوش مصنوعی میشیگان مبتنی بر پایتون، یک کتابخانه محک‌گذاری یادگیری ماشین خودکار است – اولین در نوع خود که توسط مهندسان هسته‌ای برای مهندسان هسته‌ای ایجاد شده است.
مجدی رادیده، استادیار مهندسی هسته‌ای و علوم رادیولوژی و نویسنده مسئول این مطالعه که در Progress in Nuclear Energy منتشر شده است، گفت: pyMAISE یک گام برای کمک به NRC برای ایجاد خط لوله‌ای برای هوش مصنوعی قابل مجوز است.
رادیده افزود: «ما می‌خواهیم هم شرکت‌های هسته‌ای و هم NRC یک پلتفرم مشترک برای آزمایش کارآمد هوش مصنوعی و یادگیری ماشینی قابل توضیح با تعیین کمیت عدم قطعیت برای کاربرد‌های بالقوه، بدون پرداختن به روش‌های معمول آنالیز یادگیری ماشین داشته باشند.
این بسته یادگیری ماشین و فرآیند توسعه هوش مصنوعی را ساده می‌کند و به مهندسان بدون پیشینه قوی در این منطقه اجازه می‌دهد تا به سرعت ابزار‌هایی را از مجموعه داده‌های خود ایجاد کنند. pyMAISE به تعیین دقیق بهترین مدل کمک می‌کند - تنظیم و آزمایش طیف گسترده‌ای از مدل‌های بالقوه از رگرسیون خطی اولیه تا شبکه‌های عصبی پیچیده (پشته‌ای از چندین لایه از گره‌های به هم پیوسته که ساختار مغز انسان را تقلید می‌کنند). این قابلیت‌های موازی برای منابع CPU و GPU ارائه می‌کند و به سرعت بخشیدن به فرآیند کمک می‌کند، زیرا سیستم می‌تواند چندین کار را به طور همزمان انجام دهد.
این مطالعه قابلیت‌های pyMAISE را در سه سناریو از جمله یک مورد استفاده از طراحی راکتور و دو برنامه کاربردی نظارت بر ایمنی نشان می‌دهد. ابتدا، این بسته با کمک به تنظیم دقیق طراحی یک ریزراکتور هسته‌ای، از یک مجموعه داده شبیه‌سازی شده برای مدل‌سازی نحوه تأثیر پارامتر‌های طراحی بر خروجی توان استفاده کرد.
در دو سناریوی مرتبط با ایمنی، pyMAISE مدل‌هایی را برای پیش‌بینی یک پارامتر حیاتی ایمنی برای سطوح توان در راکتور‌های هسته‌ای، که به عنوان شار حرارتی بحرانی شناخته می‌شود، و شناسایی خطا‌ها در سیستم‌های الکترونیکی برای کمک به رفع مشکلات تجهیزات پیش از موعد ایجاد کرد.
در هر سه مورد، pyMAISE همتراز یا بهتر از کتابخانه‌های محک‌گذاری یادگیری ماشین خودکار از جمله Auto-Sklearn، AutoKeras و H ۲ O عمل کرد. این بسته اغلب مدل‌های بیشتری را بررسی می‌کرد، گاهی اوقات با نمونه‌های آموزشی کمتر.
پاتریک مایرز گفت: "ما از دیدن سطح تطبیق پذیری pyMAISE از این مطالعات موردی شگفت زده شدیم. این بسته می‌تواند از یک برنامه یادگیری ماشینی به برنامه دیگر با داده‌ها و فیزیک کاملاً متفاوت برود و همچنان مدل‌هایی را بیابد که واقعاً ایده آنچه در حال وقوع است را نشان دهد. "، دانشجوی دکتری مهندسی هسته‌ای و علوم رادیولوژی دانشگاه UM و اولین نویسنده این مطالعه.
مهمتر از همه، pyMAISE شامل ویژگی‌های توضیح‌پذیری اولیه است که در زمینه یادگیری ماشینی نادر است. با توجه به یک مدل، بسته می‌تواند تعیین کند که کدام ورودی‌ها در تعیین خروجی مهم‌ترین هستند.
ناتالی پانچیک، دانشجوی دکترای مهندسی هسته‌ای و علوم رادیولوژی در دانشگاه UM و یکی از نویسندگان این پروژه گفت: «همانطور که از مطالعه pyMAISE به توسعه خود ادامه می‌دهد، ما می‌خواهیم جعبه سیاه را کمی بیشتر باز کنیم تا درک خود را از عملکرد درونی مدل‌ها گسترش دهیم.
این کار این پتانسیل را دارد که زمینه‌هایی فراتر از مهندسی هسته‌ای را به همراه داشته باشد، زیرا مدل‌های هوش مصنوعی قابل تفسیر برای پذیرش در هر صنعت حساس به ایمنی از جمله مراقبت‌های بهداشتی یا مالی ضروری هستند.