Détecter les menaces nucléaires avec un raisonnement artificiel

Détecter les menaces nucléaires avec un raisonnement artificiel

La recherche du PNNL combine l’apprentissage automatique, l’analyse de données et le raisonnement artificiel avec l’expertise en matière de non-prolifération et de garanties pour protéger notre pays contre les menaces nucléaires. Crédit : Shannon Colson | Laboratoire national du nord-ouest du Pacifique

Alors que les acteurs malveillants deviennent plus habiles dans leurs tentatives de contourner les garanties internationales de non-prolifération nucléaire, le gouvernement des États-Unis a investi dans la recherche pour mieux détecter les activités malveillantes des acteurs malveillants. Pour faire face aux menaces à la non-prolifération, des agences comme l’Agence internationale de l’énergie atomique (AIEA) utilisent des techniques de surveillance minutieuses pour s’assurer que les matières nucléaires soumises à des accords ne sont pas utilisées pour produire des armes nucléaires. Ils utilisent également des méthodes médico-légales sophistiquées pour déterminer l’origine des matières nucléaires récupérées par les forces de l’ordre. Cependant, ces techniques sont souvent chronophages et laborieuses.

Une nouvelle recherche du Pacific Northwest National Laboratory (PNNL) utilise l’apprentissage automatique, l’analyse de données et le raisonnement artificiel pour faciliter et accélérer la détection des menaces et l’analyse médico-légale dans le domaine nucléaire. En combinant ces techniques informatiques avec une expertise en matière de non-prolifération et de garanties, le PNNL s’efforce de découvrir des méthodes innovantes en menant des recherches et en transformant ces recherches en solutions concrètes et exploitables.

Benjamin Wilson, analyste de la non-prolifération au PNNL, est dans une position unique pour fusionner ces techniques d’analyse de données et d’apprentissage automatique avec l’analyse nucléaire. En tant qu’ancien inspecteur des garanties de l’AIEA, Wilson sait exactement quel type d’informations l’AIEA recherche afin d’exposer les éventuelles activités malveillantes des acteurs.

« Empêcher la prolifération nucléaire exige de la vigilance », a déclaré Wilson. “Cela implique du travail, des audits des matières nucléaires aux enquêtes sur qui manipule les matières nucléaires. Des techniques basées sur l’analyse des données peuvent être mises à profit pour faciliter cela.”

Avec le soutien de la National Nuclear Security Administration (NNSA), de l’initiative Mathematics for Artificial Reasoning in Science (MARS) et du ministère de la Défense, les chercheurs du PNNL travaillent sur plusieurs projets visant à rendre plus efficaces la non-prolifération et les garanties nucléaires. Voici quelques faits saillants de leurs recherches récentes.

Détecter les menaces nucléaires avec un raisonnement artificiel

Les efforts de non-prolifération impliquent de prélever régulièrement des échantillons dans les installations nucléaires. Crédit : Timothy Holland | Laboratoire national du nord-ouest du Pacifique

Détection du détournement de matières nucléaires

Les installations de retraitement nucléaire récupèrent le combustible nucléaire irradié et le séparent en déchets. Les produits sont ensuite utilisés pour produire des composés qui peuvent être recyclés comme nouveau combustible pour les réacteurs nucléaires. Ces composés contiennent de l’uranium et du plutonium, qui pourraient être utilisés pour produire des armes nucléaires. L’AIEA surveille les installations nucléaires pour s’assurer qu’aucune des matières nucléaires n’est détournée vers des armes nucléaires. Cela implique généralement des inspections régulières ainsi que la collecte d’échantillons pour des analyses destructives ultérieures.

“Nous pourrions économiser beaucoup de temps et de coûts de main-d’œuvre si nous pouvions créer un système qui détecte automatiquement les anomalies à partir des données de traitement des installations”, a déclaré Wilson.

Dans une étude publiée dans Le Journal international des garanties nucléaires et de la non-prolifération, Wilson a travaillé avec des chercheurs de Sandia National Laboratories pour construire une réplique virtuelle d’une installation de retraitement. Ils ont ensuite formé un modèle d’apprentissage automatique pour détecter les modèles de données de processus représentant le détournement de matières nucléaires. Dans cet environnement simulé, le modèle a montré des résultats encourageants. “Bien qu’il soit peu probable que cette approche soit utilisée dans un avenir proche, notre système offre un début prometteur pour compléter les garanties existantes”, a déclaré Wilson.

Analyser des textes à la recherche d’indices de prolifération nucléaire

Qui fait de la recherche sur les matières nucléaires ? Cette recherche est-elle conforme aux accords et déclarations internationaux de cet État? Où ont-ils acquis l’équipement spécialisé qu’ils utilisent? Où les matières nucléaires sont-elles actuellement utilisées pour la recherche ?






L’initiative Mathématiques du raisonnement artificiel pour la science (MARS) du PNNL développe une nouvelle méthodologie pour la construction de systèmes d’IA scientifiques interprétables qui accéléreront les découvertes et la compréhension grâce au raisonnement automatique. Crédit : Laboratoire national du nord-ouest du Pacifique

Voilà le type de questions auxquelles les analystes de l’AIEA s’efforcent de répondre chaque jour. Pour trouver ces réponses, ils doivent généralement passer de nombreuses heures à lire des articles de recherche et à passer au crible manuellement de nombreuses données.

Les scientifiques des données du PNNL Megha Subramanian et Alejandro Zuniga ainsi que Benjamin Wilson, Kayla Duskin et Rustam Goychayev travaillent à rendre cette tâche beaucoup plus facile grâce à des recherches présentées dans Le Journal international des garanties nucléaires et de la non-prolifération.

“Nous voulions créer un moyen pour les chercheurs de poser des questions spécifiques au domaine nucléaire et de recevoir des réponses correctes”, a déclaré Subramanian.

L’équipe a développé un outil d’apprentissage automatique basé sur le BERT de Google : un modèle de langage formé sur les données de Wikipedia pour les requêtes de connaissances générales. Les modèles de langage permettent aux ordinateurs de “comprendre” les langages humains – ils peuvent lire des textes et en extraire des informations importantes, y compris le contexte et les nuances. Les gens peuvent poser des questions au BERT, comme “quelle est la capitale de la France ?” et recevez la bonne réponse.

Alors que le modèle formé par Wikipédia excelle à répondre aux questions de connaissances générales, il manque de connaissances sur le domaine nucléaire. Par conséquent, l’équipe a créé AJAX – Aide au jugement artificiel à partir de texte – pour combler ce manque de connaissances.

“Bien qu’AJAX en soit encore à ses débuts, il a le potentiel de faire gagner de nombreuses heures de travail aux analystes en fournissant à la fois une réponse directe aux requêtes et les preuves de cette réponse”, a déclaré Subramanian. Les preuves intriguent particulièrement les chercheurs, car la plupart des modèles d’apprentissage automatique sont souvent décrits comme des “boîtes noires” qui ne laissent aucune trace de preuves pour leurs réponses, même si elles sont correctes. AJAX cherche à assurer la vérifiabilité en récupérant les documents qui contiennent des preuves.

“Lorsque le domaine est aussi important que la détection de la prolifération nucléaire, il est essentiel pour nous de savoir d’où viennent nos informations”, a déclaré Subramanian.

Détecter les menaces nucléaires avec un raisonnement artificiel

Les techniques d’apprentissage automatique peuvent être utilisées pour compléter les méthodes de détection nucléaire telles que celles réalisées au Laboratoire de traitement radiochimique du PNNL (voir ici). Crédit : Andrea Starr | Laboratoire national du nord-ouest du Pacifique

Utilisation de l’analyse d’images pour déterminer l’origine des matières nucléaires

Parfois, un agent chargé de l’application de la loi, aux États-Unis ou ailleurs, rencontrera des matières nucléaires qui échappent au contrôle réglementaire et d’origine inconnue. Dans ces cas, il est crucial de déterminer d’où vient le matériel et/ou ses origines de création, car le matériel récupéré peut n’être qu’une partie du matériel qui risque de faire l’objet d’un trafic. En cas de tels incidents, l’AIEA tient à jour une base de données et encourage les pays à coopérer et à lutter en collaboration contre le trafic nucléaire illicite afin de renforcer la sécurité nucléaire. L’analyse médico-légale des matières nucléaires est l’un des outils d’analyse utilisés dans cet effort vital.

Les chercheurs du PNNL, en collaboration avec l’Université de l’Utah, le Lawrence Livermore National Laboratory et le Los Alamos National Laboratory, ont développé un moyen d’utiliser l’apprentissage automatique pour faciliter l’analyse médico-légale de ces échantillons. Leur méthode utilise des images de microscopie électronique pour comparer les microstructures de différents échantillons nucléaires. Différents échantillons contiennent des différences subtiles qui peuvent être identifiées à l’aide de l’apprentissage automatique.

“Imaginez que synthétiser des matières nucléaires était comme faire des biscuits”, a déclaré Elizabeth Jurrus, responsable de l’initiative MARS. “Deux personnes peuvent utiliser la même recette et se retrouver avec des cookies d’aspect différent. C’est la même chose avec les matières nucléaires.”

La synthèse de ces matériaux pourrait être affectée par de nombreux facteurs tels que l’humidité locale et la pureté des matériaux de départ. Le résultat est que les matières nucléaires produites dans une installation spécifique se retrouvent avec une structure spécifique – un “aspect de signature” qui peut être vu avec un microscope électronique.

“Nos collaborateurs de l’Université de l’Utah ont construit une bibliothèque d’images de différents échantillons nucléaires”, a déclaré Alexander Hagen, co-auteur principal de l’étude publiée dans le Journal des matériaux nucléaires. “Nous avons utilisé l’apprentissage automatique pour comparer des images de leur bibliothèque à des échantillons inconnus afin de déterminer d’où venaient les inconnues.”

Cela pourrait aider les analystes nucléaires à déterminer la source d’un matériau et à orienter les investigations ultérieures.






Les data scientists du PNNL travaillent avec des mathématiciens, des ingénieurs en logiciel et des experts du domaine scientifique pour faire progresser l’IA. Crédit : Laboratoire national du nord-ouest du Pacifique

L’apprentissage automatique pour assurer la sécurité des citoyens

Bien que cela puisse prendre un certain temps avant que des agences comme l’AIEA adoptent des techniques d’apprentissage automatique dans leur processus de détection des menaces nucléaires, il est clair que ces technologies peuvent avoir un impact et rationaliser le processus.

“Bien que nous ne nous attendions pas à ce que l’apprentissage automatique remplace le travail de quiconque, nous le voyons comme un moyen de faciliter leur travail”, a déclaré Jurrus. “Nous pouvons utiliser l’apprentissage automatique pour identifier les informations importantes afin que les analystes puissent se concentrer sur ce qui est le plus important.

Fourni par le laboratoire national du nord-ouest du Pacifique

Citation: Détecter les menaces nucléaires avec un raisonnement artificiel (2022, 3 novembre) récupéré le 3 novembre 2022 sur https://techxplore.com/news/2022-11-nuclear-threats-artificial.html

Ce document est soumis au droit d’auteur. En dehors de toute utilisation loyale à des fins d’étude ou de recherche privée, aucune partie ne peut être reproduite sans l’autorisation écrite. Le contenu est fourni seulement pour information.