Detección de amenazas nucleares con razonamiento artificial

A medida que los actores malintencionados se vuelven más hábiles en sus intentos de eludir las salvaguardias internacionales de no proliferación nuclear, el gobierno de los Estados Unidos ha invertido en investigación para detectar mejor las actividades malignas de los malos actores. Para abordar las amenazas a la no proliferación, agencias como la Agencia Internacional de Energía Atómica (OIEA) emplean técnicas de monitoreo cuidadosas para asegurarse de que los materiales nucleares sujetos a acuerdos no se utilicen para producir armas nucleares. También emplean sofisticados métodos forenses para determinar el origen de los materiales nucleares recuperados por las fuerzas del orden. Sin embargo, estas técnicas a menudo requieren mucho tiempo y mano de obra.

Una nueva investigación del Laboratorio Nacional del Noroeste del Pacífico (PNNL) utiliza el aprendizaje automático, el análisis de datos y el razonamiento artificial para hacer que la detección de amenazas y el análisis forense en el dominio nuclear sea más fácil y rápido. Al combinar estas técnicas informáticas con experiencia en no proliferación y salvaguardas, PNNL trabaja para descubrir métodos innovadores mediante la realización de investigaciones y convertir la investigación en soluciones prácticas del mundo real.

El analista de no proliferación de PNNL, Benjamin Wilson, se encuentra en una posición única para fusionar estas técnicas de análisis de datos y aprendizaje automático con el análisis nuclear. Como ex inspector de salvaguardias del OIEA, Wilson sabe exactamente qué tipo de información busca el OIEA para exponer las posibles actividades malignas de los actores.

«La prevención de la proliferación nuclear requiere vigilancia», dijo Wilson. «Involucra mano de obra, desde auditorías de materiales nucleares hasta investigaciones sobre quién maneja los materiales nucleares. Las técnicas basadas en el análisis de datos se pueden aprovechar para hacer esto más fácil».

Con el apoyo de la Administración Nacional de Seguridad Nuclear (NNSA), la Iniciativa de Matemáticas para el Razonamiento Artificial en la Ciencia (MARS) y el Departamento de Defensa, los investigadores del PNNL están trabajando en varios proyectos para hacer que la no proliferación nuclear y las salvaguardas sean más efectivas. A continuación se presentan algunos aspectos destacados de su investigación reciente.

Detección de desviación de materiales nucleares

Las instalaciones de reprocesamiento nuclear toman el combustible nuclear usado y lo separan en productos de desecho. Luego, los productos se utilizan para producir compuestos que se pueden reciclar como nuevo combustible para reactores nucleares. Estos compuestos contienen uranio y plutonio, que podrían usarse para producir armas nucleares. El OIEA supervisa las instalaciones nucleares para asegurarse de que ninguno de los materiales nucleares se desvíe hacia armas nucleares. Por lo general, esto implica inspecciones periódicas, así como la recolección de muestras para ensayos destructivos posteriores.

«Podríamos ahorrar mucho tiempo y costos de mano de obra si pudiéramos crear un sistema que detecte anomalías automáticamente a partir de los datos de proceso de las instalaciones», dijo Wilson.

En un estudio publicado en Revista internacional de salvaguardias nucleares y no proliferación, Wilson trabajó con investigadores de Sandia National Laboratories para construir una réplica virtual de una instalación de reprocesamiento. Luego entrenaron un modelo de aprendizaje automático para detectar patrones de datos de proceso que representan el desvío de materiales nucleares. En este entorno simulado, el modelo mostró resultados alentadores. «Aunque es poco probable que este enfoque se utilice en un futuro cercano, nuestro sistema proporciona un comienzo prometedor para complementar las salvaguardas existentes», dijo Wilson.

Analizar textos en busca de indicios de proliferación nuclear

¿Quién investiga los materiales nucleares? ¿Es esa investigación consistente con los acuerdos y declaraciones internacionales de ese estado? ¿Dónde adquirieron el equipo especializado que están utilizando? ¿Dónde se utilizan actualmente los materiales nucleares para la investigación?

Estos son los tipos de preguntas que los analistas del OIEA tratan de responder todos los días. Para encontrar esas respuestas, generalmente necesitan pasar muchas horas leyendo artículos de investigación y filtrando manualmente una gran cantidad de datos.

Los científicos de datos del PNNL, Megha Subramanian y Alejandro Zuniga, junto con Benjamin Wilson, Kayla Duskin y Rustam Goychayev, están trabajando para facilitar esta tarea a través de una investigación que se presentó en Revista internacional de salvaguardias nucleares y no proliferación.

«Queríamos crear una forma para que los investigadores hicieran preguntas específicas del dominio nuclear y recibieran las respuestas correctas», dijo Subramanian.

El equipo desarrolló una herramienta de aprendizaje automático basada en BERT de Google: un modelo de lenguaje entrenado en datos de Wikipedia para consultas de conocimiento general. Los modelos de lenguaje permiten que las computadoras «entiendan» los lenguajes humanos: pueden leer textos y extraer información importante de ellos, incluido el contexto y los matices. La gente puede hacer preguntas BERT, como «¿cuál es la capital de Francia?» y recibir la respuesta correcta.

Si bien el modelo entrenado en Wikipedia se destaca en responder preguntas de conocimiento general, carece de conocimiento del dominio nuclear. Por lo tanto, el equipo creó AJAX (Asistencia de juicio artificial a partir de texto) para llenar este vacío de conocimiento.

«Aunque AJAX aún se encuentra en sus primeras etapas, tiene el potencial de ahorrarles a los analistas muchas horas de trabajo al proporcionar una respuesta directa a las consultas y la evidencia para esa respuesta», dijo Subramanian. La evidencia es especialmente intrigante para los investigadores, ya que la mayoría de los modelos de aprendizaje automático a menudo se describen como «cajas negras» que no dejan rastro de evidencia para sus respuestas, incluso si son correctas. AJAX busca proporcionar auditabilidad mediante la recuperación de documentos que contienen evidencia.

«Cuando el dominio es tan importante como la detección de proliferación nuclear, es fundamental para nosotros saber de dónde proviene nuestra información», dijo Subramanian.

Uso del análisis de imágenes para determinar el origen de los materiales nucleares

A veces, un agente de la ley, en los Estados Unidos o en otro lugar, encontrará material nuclear que está fuera del control regulatorio y de origen desconocido. En estos casos, es crucial averiguar de dónde provino el material y/o sus orígenes de creación, ya que el material recuperado puede ser solo una parte del material que está en riesgo de ser traficado. En caso de tales incidentes, el OIEA mantiene una base de datos y alienta a los países a cooperar y colaborar en la lucha contra el tráfico nuclear ilícito para fortalecer la seguridad nuclear. El análisis forense de materiales nucleares es una herramienta de análisis utilizada en este esfuerzo vital.

Los investigadores del PNNL, en colaboración con la Universidad de Utah, el Laboratorio Nacional Lawrence Livermore y el Laboratorio Nacional de Los Alamos, desarrollaron una forma de utilizar el aprendizaje automático para ayudar en el análisis forense de estas muestras. Su método utiliza imágenes de microscopía electrónica para comparar microestructuras de diferentes muestras nucleares. Diferentes muestras contienen diferencias sutiles que se pueden identificar mediante el aprendizaje automático.

«Imagínese que sintetizar materiales nucleares fuera como hornear galletas», dijo Elizabeth Jurrus, líder de la iniciativa MARS. «Dos personas pueden usar la misma receta y terminar con galletas de aspecto diferente. Lo mismo ocurre con los materiales nucleares».

La síntesis de estos materiales podría verse afectada por muchas cosas, como la humedad local y la pureza de los materiales de partida. El resultado es que los materiales nucleares producidos en una instalación específica terminan con una estructura específica: un «aspecto característico» que se puede ver con un microscopio electrónico.

«Nuestros colaboradores de la Universidad de Utah construyeron una biblioteca de imágenes de diferentes muestras nucleares», dijo Alexander Hagen, coautor principal del estudio publicado en la Revista de materiales nucleares. «Utilizamos el aprendizaje automático para comparar imágenes de su biblioteca con muestras desconocidas para averiguar de dónde procedían las incógnitas».

Esto podría ayudar a los analistas nucleares a descubrir la fuente de un material y guiar futuras investigaciones.

Aprendizaje automático para mantener a los ciudadanos seguros

Aunque puede pasar algún tiempo antes de que agencias como el OIEA adopten técnicas de aprendizaje automático en su proceso de detección de amenazas nucleares, está claro que estas tecnologías pueden impactar y agilizar el proceso.

«Aunque no esperamos que el aprendizaje automático reemplace el trabajo de nadie, lo vemos como una forma de facilitar su trabajo», dijo Jurrus. «Podemos usar el aprendizaje automático para identificar información importante para que los analistas puedan concentrarse en lo que es más importante.