Dit Amerikaanse nationale laboratorium wendde zich tot AI om malafide kernwapens te jagen

Onderzoekers van het Amerikaanse Pacific Northwest National Laboratory (PNNL) ontwikkelen technieken voor machinaal leren om de FBI te helpen bij het aanpakken van potentieel malafide kernwapens.

Het volstaat te zeggen dat het over het algemeen illegaal is voor een individu of groep om een ​​kernwapen te bezitten, zeker in de Verenigde Staten. Ja, er zijn de vijf officieel erkende nucleair bewapende landen – Frankrijk, Rusland, China, het VK en de VS – waarvan de regeringen een voorraad van deze apparaten hebben. En er zijn landen die de Verenigde Naties hebben ondertekend Verdrag inzake het verbod op kernwapens, wat inhoudt dat ze hebben beloofd deze gadgets niet te "ontwikkelen, testen, produceren, verwerven, bezitten, opslaan, gebruiken of dreigen te gebruiken".

Dus als iemand een atoombom in zijn bezit heeft, is dat omdat hij een land is in de officiële kernwapenclub, een regering die zijn eigen kernwapens heeft geproduceerd, een terrorist die er zelf een heeft gestolen, gekocht of op de een of andere manier heeft gebouwd. schetsmatig scenario, althans in de ogen van Amerika.

(Of gestolen of niet-goedgekeurde kernkoppen iets zijn dat de moeite waard is om je zorgen over te maken, of gewoon een door Tom Clancy aangewakkerde dagdroom, is een onderwerp dat we voor een andere dag laten staan, of het commentaargedeelte.)

Het detecteren van tekenen van ongewenste nucleaire activiteit hangt af van het correct kunnen analyseren van de chemicaliën en infrastructuur die nodig zijn om deze gespecialiseerde doomsday-wapens te vervaardigen. Steven Ashby, directeur van PNNL, beschreef hoe het door het Amerikaanse ministerie van Energie gefinancierde laboratorium machine learning gebruikt om nucleaire dreigingen te identificeren.

En niet alleen identificeren: dankzij de technieken kan het "bedreigingen sneller en gemakkelijker" oppikken dan voorheen, zo wordt ons verteld.

Eén methode, die een autoencodermodel gebruikt, verwerkt afbeeldingen van radioactief materiaal om erachter te komen waar het vandaan komt en hoe het is gemaakt. De software produceert een handtekening of vingerafdruk van het monster en vergelijkt deze met een database van elektronenmicroscoopbeelden die zijn genomen van universiteiten en andere nationale laboratoria. 

Door te kijken hoe vergelijkbaar deze deeltjes zijn met de bibliotheek met afbeeldingen, kunnen analisten schatten hoe zuiver het onbekende monster is en de bronmaterialen traceren naar mogelijke laboratoria die de nucleaire producten vervaardigen. Dat is handig als je wilt weten of het materiaal goed genoeg is om een ​​levensvatbaar kernwapen te maken, en wie erachter zit. Ashby zei dat het werk van PNNL hier de rechtshandhaving had geholpen om doelen te bereiken en onderzoeken te versnellen.

Zoals het lab het uitdrukte: "radioactief materiaal zal een unieke microstructuur hebben op basis van de omgevingsomstandigheden of de zuiverheid van de bronmaterialen in de productiefaciliteit." Die unieke structuur kan, met behulp van software, worden gebruikt om na te gaan in welk laboratorium of welke fabriek het is geproduceerd, zo wordt ons verteld.

Het Internationaal Atoomenergieagentschap houdt toezicht op nucleaire opwerkingsfaciliteiten in niet-nucleair bewapende staten om er zeker van te zijn dat ze bijvoorbeeld het in kerncentrales gegenereerde plutonium op de juiste manier afvoeren en het metaal niet in het geheim opbergen om wapens te produceren. 

Ambtenaren houden deze faciliteiten op verschillende manieren in de gaten, van persoonlijke inspecties tot steekproefanalyses van middelen. Een andere techniek die momenteel bij PNNL wordt ontwikkeld, is het trainen van op transformatoren gebaseerde software om de activiteit van nucleaire opwerkingslaboratoria direct te volgen en automatisch verdacht gedrag te herkennen.

Eerst wordt een virtuele replica gebouwd die een opwerkingsfaciliteit simuleert. De gegevens die door dit model worden gegenereerd om "belangrijke temporele patronen" bij te houden, worden gebruikt om het model te trainen. Het voorspelt welke patronen vanuit verschillende gebieden binnen een fabriek moeten worden waargenomen als deze voor vreedzame doeleinden wordt gebruikt, en als de daadwerkelijk verzamelde gegevens van een faciliteit niet overeenkomen met de voorspellingen van het model, kunnen experts worden geroepen om verder te onderzoeken.

“Onze experts combineren expertise op het gebied van nucleaire non-proliferatie en kunstmatige redeneringen om nucleaire dreigingen op te sporen en te verminderen. Hun doel is om data-analyse en machine learning te gebruiken om nucleair materiaal te monitoren dat kan worden gebruikt om kernwapens te produceren, ”Ashby zei.

Deze geautomatiseerde methoden worden echter alleen gebruikt om tekenen van mogelijke illegale nucleaire activiteiten op te sporen. Menselijke experts moeten de rapporten nog verifiëren en bevestigen.

“Machine learning-algoritmen en computers zullen mensen niet snel vervangen bij het detecteren van nucleaire dreigingen. Maar ze kunnen het voor mensen mogelijk maken om sneller en gemakkelijker belangrijke informatie te ontdekken en risico's te identificeren', concludeerde hij. 

Het register heeft PNNL om verder commentaar en informatie gevraagd. We vermoeden dat sommige details om veiligheidsredenen vaag worden gehouden. ®

• Door SEO aangedreven content en PR-distributie. Word vandaag nog versterkt.
• Platoblockchain. Web3 Metaverse Intelligentie. Kennis versterkt. Toegang hier.
• Bron: https://go.theregister.com/feed/www.theregister.com/2023/03/30/us_ai_nuclear_hunter/