Dieses nationale US-Labor wandte sich an KI, um abtrünnige Atomwaffen zu jagen

Forscher des amerikanischen Pacific Northwest National Laboratory (PNNL) entwickeln maschinelle Lerntechniken, um die Feds dabei zu unterstützen, gegen potenziell gefährliche Atomwaffen vorzugehen.

Es genügt zu sagen, dass es für Einzelpersonen oder Gruppen im Allgemeinen illegal ist, eine Atomwaffe zu besitzen, sicherlich in den Vereinigten Staaten. Ja, es gibt die fünf offiziell anerkannten nuklear bewaffneten Nationen – Frankreich, Russland, China, Großbritannien und die USA – deren Regierungen über einen Vorrat dieser Geräte verfügen. Und es gibt Länder, die das Abkommen der Vereinten Nationen unterzeichnet haben. Vertrag über das Verbot von Kernwaffen, was bedeutet, dass sie versprochen haben, diese Geräte nicht „zu entwickeln, zu testen, zu produzieren, zu erwerben, zu besitzen, zu lagern, zu verwenden oder mit deren Verwendung zu drohen“.

Wenn also jemand eine Atombombe in seinem Besitz hat, dann deshalb, weil er ein Land im offiziellen Club der Atomwaffen ist, weil er eine Regierung ist, die ihre eigenen Atomwaffen produziert hat, ein Terrorist, der gestohlen, gekauft oder irgendwie selbst eine Atombombe gebaut hat, oder irgendetwas anderes skizzenhaftes Szenario, zumindest in Amerikas Augen.

(Ob gestohlene oder nicht genehmigte Atomsprengköpfe etwas sind, worüber es sich zu sorgen lohnt, oder nur ein von Tom Clancy angetriebener Tagtraum, ist ein Thema, das wir für einen anderen Tag oder den Kommentarbereich aufheben.)

Das Erkennen von Anzeichen unerwünschter nuklearer Aktivitäten hängt davon ab, dass die Chemikalien und die Infrastruktur, die für die Herstellung dieser speziellen Weltuntergangswaffen erforderlich sind, korrekt analysiert werden können. Steven Ashby, Direktor von PNNL, beschrieb, wie das vom US-Energieministerium finanzierte Labor maschinelles Lernen einsetzt, um nukleare Bedrohungen zu identifizieren.

Und nicht nur identifizieren: Die Techniken ermöglichen es, „Bedrohungen schneller und einfacher“ als zuvor aufzuspüren, wird uns gesagt.

Eine Methode, die ein Autoencoder-Modell verwendet, verarbeitet Bilder von radioaktivem Material, um herauszufinden, woher es kommt und wie es hergestellt wurde. Die Software erstellt eine Signatur oder einen Fingerabdruck der Probe und vergleicht diese mit einer Datenbank von Elektronenmikroskopbildern, die von Universitäten und anderen nationalen Labors stammen. 

Anhand der Ähnlichkeit dieser Partikel mit der Bildbibliothek können Analysten abschätzen, wie rein die unbekannte Probe ist, und ihre Ausgangsmaterialien zu möglichen Labors zurückverfolgen, in denen die Nuklearprodukte hergestellt werden. Das ist nützlich, wenn man wissen will, ob das Material gut genug ist, um eine brauchbare Atomwaffe herzustellen, und wer dahintersteckt. Ashby sagte, die Arbeit von PNNL hier habe den Strafverfolgungsbehörden geholfen, Ziele zu erkennen und Ermittlungen zu beschleunigen.

Wie das Labor es ausdrückte, „wird radioaktives Material eine einzigartige Mikrostruktur haben, die auf den Umgebungsbedingungen oder der Reinheit der Ausgangsmaterialien in seiner Produktionsanlage basiert.“ Diese einzigartige Struktur kann mit Hilfe von Software verwendet werden, um festzustellen, in welchem ​​​​Labor oder in welcher Fabrik sie hergestellt wurde, so wird uns zumindest gesagt.

Die Internationale Atomenergiebehörde überwacht nukleare Wiederaufbereitungsanlagen in nicht nuklear bewaffneten Staaten, um sicherzustellen, dass sie beispielsweise das in Kernkraftwerken erzeugte Plutonium ordnungsgemäß entsorgen und das Metall nicht heimlich für die Waffenproduktion lagern. 

Beamte überwachen diese Einrichtungen auf verschiedene Weise, von persönlichen Inspektionen bis hin zu Stichprobenanalysen von Ressourcen. Eine weitere Technik, die derzeit bei PNNL entwickelt wird, beinhaltet das Trainieren transformatorbasierter Software, um die Aktivitäten von Labors zur nuklearen Wiederaufbereitung direkt zu verfolgen und verdächtiges Verhalten automatisch zu erkennen.

Zunächst wird eine virtuelle Nachbildung erstellt, die eine Wiederaufbereitungsanlage simuliert. Die von diesem Modell generierten Daten, die „wichtige zeitliche Muster“ verfolgen, werden verwendet, um das Modell zu trainieren. Es sagt voraus, welche Muster in verschiedenen Bereichen innerhalb einer Anlage zu beobachten sind, wenn sie für friedliche Zwecke genutzt wird, und wenn die tatsächlich von einer Anlage gesammelten Daten nicht mit den Vorhersagen des Modells übereinstimmen, können Experten hinzugezogen werden, um weitere Untersuchungen durchzuführen.

„Unsere Experten kombinieren Expertise in der nuklearen Nichtverbreitung und künstlicher Argumentation, um nukleare Bedrohungen zu erkennen und abzuschwächen. Ihr Ziel ist es, mithilfe von Datenanalyse und maschinellem Lernen Nuklearmaterialien zu überwachen, die zur Herstellung von Atomwaffen verwendet werden könnten“, sagt Ashby sagte.

Diese automatisierten Methoden werden jedoch nur verwendet, um Anzeichen für mögliche illegale nukleare Aktivitäten zu erkennen. Menschliche Experten müssen Berichte noch überprüfen und bestätigen.

„Maschinelle Lernalgorithmen und Computer werden den Menschen bei der Erkennung nuklearer Bedrohungen in absehbarer Zeit nicht ersetzen. Aber sie können es den Menschen ermöglichen, wichtige Informationen zu entdecken und Risiken schneller und einfacher zu identifizieren“, schloss er. 

Das Register hat PNNL um weitere Kommentare und Informationen gebeten. Wir vermuten, dass einige Details aus Sicherheitsgründen vage gehalten werden. ®

• SEO-gestützte Content- und PR-Distribution. Holen Sie sich noch heute Verstärkung.
• Platoblockkette. Web3-Metaverse-Intelligenz. Wissen verstärkt. Hier zugreifen.
• Quelle: https://go.theregister.com/feed/www.theregister.com/2023/03/30/us_ai_nuclear_hunter/