یکی دیگر از راه حل های ML طراحی شده در آزمایشگاه های PNNL می تواند تصاویر مواد رادیواکتیو را از طریق یک مدل رمزگذار خودکار پردازش کند، که می تواند برای “فشرده سازی و فشرده سازی تصاویر” به توضیحات کوچکی که برای تجزیه و تحلیل محاسباتی مفید است آموزش داده شود. این مدل به تصاویر ذرات رادیواکتیو میکروسکوپی نگاه می‌کند و ساختار منحصربه‌فردی را که مواد رادیواکتیو به دلیل شرایط محیطی یا خلوص مواد منشا در تأسیسات تولید ایجاد می‌کند، جستجو می‌کند.
آزمایشگاه ملی شمال غرب اقیانوس آرام (PNNL) در تلاش است تا با استفاده از الگوریتم های یادگیری ماشین (ML) تهدیدات هسته ای ناشناخته را جستجو کند. PNNL که یکی از آزمایشگاه‌های ملی وزارت انرژی ایالات متحده است، گفت که ML اکنون در همه جا وجود دارد و می‌توان از آن برای ایجاد «سیستم‌های ایمن، قابل اعتماد و مبتنی بر علم» استفاده کرد که برای پاسخ‌گویی به افراد و ملت‌ها به انواع مختلف طراحی شده‌اند. چالش های علمی دشوار
PNNL گفت که اولین رسمی عمومی الگوریتم ML به سال 1962 برمی گردد، زمانی که یک کامپیوتر IBM 7094 در چکرز در برابر حریف انسانی پیروز شد. این سیستم به لطف الگوریتم فوق الذکر، بدون اینکه صراحتاً برای تغییر استراتژی خود در برابر شطرنج باز رابرت نیلی برنامه ریزی شده باشد، توانست به تنهایی یاد بگیرد.
هوش مصنوعی به کار گرفته شده توسط PNNL می تواند برای آژانس بین المللی انرژی اتمی (IAEA) مفید باشد، که بر تأسیسات بازفرآوری هسته ای در کشورهای غیرهسته ای نظارت می کند تا ببیند آیا پلوتونیوم جدا شده از سوخت هسته ای مصرف شده بعداً برای تولید سلاح های هسته ای استفاده می شود یا خیر. آژانس بین‌المللی انرژی اتمی از تجزیه و تحلیل نمونه و نظارت بر فرآیند علاوه بر بازرسی‌های حضوری استفاده می‌کند که می‌تواند فرآیندی زمان‌بر و کار فشرده باشد.
PNNL گفت که آژانس های مجری قانون (یعنی FBI) می توانند ریزساختار نمونه های میدانی را با کتابخانه ای از تصاویر میکروسکوپ الکترونی توسعه یافته توسط آزمایشگاه های دانشگاهی و ملی مقایسه کنند تا بتوانند روند شناسایی را سرعت بخشند. محققان PNNL هشدار می‌دهند که الگوریتم‌های یادگیری ماشینی و رایانه‌ها «به این زودی جایگزین انسان در شناسایی تهدیدات هسته‌ای نخواهند شد»، اما می‌توانند در شناسایی و جلوگیری از یک فاجعه هسته‌ای بالقوه در خاک ایالات متحده مفید باشند.
الگوریتم‌های PNNL می‌توانند یک مدل مجازی از تأسیسات بازرسی‌شده توسط آژانس ایجاد کنند، «الگوهای زمانی مهم» را برای آموزش مدل و پیش‌بینی الگوی متعلق به استفاده عادی از مناطق مختلف در تأسیسات ردیابی کنند. اگر داده‌های جمع‌آوری‌شده در محل با پیش‌بینی مجازی مطابقت نداشته باشد، بازرسان می‌توانند یک بار دیگر برای بررسی تسهیلات فراخوانی شوند.
امروز، PNNL گفت، یادگیری ماشین در همه جا وجود دارد زیرا توصیه های خرید شخصی و دستیارهای صوتی مانند سیری و الکسا را تقویت می کند. ابزارهای مولد هوش مصنوعی مانند ChatGPT تنها آخرین چهره عمومی یک فناوری هستند که چندین دهه به بلوغ و تکامل نیاز داشته است.
در متن: در حالی که کل دنیای فناوری بر روی هوش مصنوعی مولد و قابلیت‌های ادعایی آن برای از بین بردن اقتصاد و بازار کار متمرکز است، محققان از شبکه‌های عصبی برای مقابله با چالش‌های علم، انرژی، سلامت و امنیت مانند شناسایی سلاح‌های هسته‌ای سرکش استفاده می‌کنند.
محققان PNNL از یادگیری ماشین برای امنیت ملی نیز استفاده می کنند، زیرا کارشناسان آزمایشگاه در حال ترکیب دانش خود در زمینه منع گسترش سلاح های هسته ای و “استدلال مصنوعی” برای شناسایی و (احتمالا) تهدیدات هسته ای هستند. هدف اصلی تحقیقات آنها استفاده از تجزیه و تحلیل داده ها و الگوریتم های یادگیری ماشینی برای نظارت بر مواد هسته ای است که می توانند برای تولید سلاح های هسته ای استفاده شوند.