No contexto: Enquanto todo o mundo da tecnologia está focado na IA generativa e em suas supostas capacidades de destruir a economia e o mercado de trabalho, os pesquisadores estão empregando redes neurais para enfrentar os desafios da ciência, energia, saúde e segurança, como a detecção de armas nucleares desonestas.
O Pacific Northwest National Laboratory (PNNL) está tentando caçar ameaças nucleares desconhecidas usando algoritmos de aprendizado de máquina (ML). O PNNL, que é um dos laboratórios nacionais do Departamento de Energia dos Estados Unidos, disse que o ML está em toda parte agora e pode ser usado para criar “sistemas seguros, confiáveis e baseados na ciência” projetados para dar às pessoas e nações respostas para diferentes tipos de difíceis desafios científicos.
A estreia pública oficial de um algoritmo de ML remonta a 1962, disse o PNNL, quando um computador IBM 7094 venceu um oponente humano em damas. O sistema foi capaz de aprender por si só, graças ao algoritmo mencionado, sem ser explicitamente programado para mudar sua estratégia contra o enxadrista Robert Nealey.
Hoje, disse PNNL, o aprendizado de máquina está em toda parte, pois fornece recomendações de compras personalizadas e assistentes de voz como Siri e Alexa. As ferramentas de IA generativa, como o ChatGPT, são apenas a face pública mais recente de uma tecnologia que teve muitas décadas para amadurecer e evoluir.
Os pesquisadores do PNNL também estão empregando aprendizado de máquina para a segurança nacional, pois os especialistas do laboratório estão combinando seus conhecimentos em não proliferação nuclear e “raciocínio artificial” para detectar e (possivelmente) mitigar ameaças nucleares. O principal objetivo de sua pesquisa é empregar análise de dados e algoritmos de aprendizado de máquina para monitorar materiais nucleares que possam ser usados para produzir armas nucleares.
A IA empregada pelo PNNL pode ser útil para a Agência Internacional de Energia Atômica (AIEA), que está monitorando instalações de reprocessamento nuclear em nações sem armas nucleares para ver se o plutônio separado do combustível nuclear usado é posteriormente empregado para a produção de armas nucleares. A AIEA usa análise de amostras e monitoramento de processos, além de inspeções pessoais, que podem ser um processo demorado e trabalhoso.
Os algoritmos do PNNL podem criar um modelo virtual da instalação inspecionada pela AIEA, rastreando “padrões temporais importantes” para treinar o modelo e prever o padrão pertencente ao uso normal das várias áreas da instalação. Se os dados coletados no local não corresponderem à previsão virtual, os inspetores podem ser chamados para verificar a instalação mais uma vez.
Outra solução baseada em ML projetada nos laboratórios do PNNL pode processar imagens de material radioativo por meio de um modelo de “autoencoder”, que pode ser treinado para “comprimir e descompactar imagens” em pequenas descrições úteis para análise computacional. O modelo analisa imagens de partículas radioativas microscópicas, procurando a estrutura única que o material radioativo desenvolve devido às condições ambientais ou à pureza dos materiais de origem em sua instalação de produção.
As agências de aplicação da lei (ou seja, o FBI) podem então comparar as microestruturas das amostras de campo com uma biblioteca de imagens de microscópio eletrônico desenvolvidas por universidades e laboratórios nacionais, disse o PNNL, para que possam acelerar o processo de identificação. Algoritmos de aprendizado de máquina e computadores “não substituirão os humanos na detecção de ameaças nucleares tão cedo”, alertam os pesquisadores do PNNL, mas podem ser úteis na detecção e prevenção de um possível desastre nuclear em solo americano.
