當整個科技界都在關註生成性人工智能及其所謂的破壞經濟和就業市場的能力時，研究人員正在採用神經網絡來解決科學、能源、健康和安全方面的挑戰，如檢測未知核威脅。太平洋西北國家實驗室（PNNL）正試圖通過使用機器學習（ML）算法獵取未知的核威脅。

PNNL是美國能源部國家實驗室之一，現在ML無處不在，可以被用來創建”安全、值得信賴、基於科學的系統”，旨在給民眾和國家提供不同種類的困難科學挑戰的答案。

PNNL介紹說，ML算法的正式公開亮相可以追溯到1962年，當時一台IBM 7094計算機在跳棋中戰勝了人類對手。由於採用了上述算法，該系統能夠自我學習，沒有被明確編程以改變其對國際象棋選手Robert Nealey的策略。

PNNL說，今天，機器學習無處不在，因為它為個性化的購物推薦和語音驅動的助手（如Siri和Alexa）提供支持。像ChatGPT這樣的生成型人工智能工具只是一項已經有幾十年成熟和發展的技術的最新公開表現。

PNNL的研究人員也在將機器學習用於國家安全，因為該實驗室的專家正在將他們在核不擴散和”人工推理”方面的知識結合起來，以檢測和（可能）減輕核威脅。他們研究的主要目標是採用數據分析和機器學習算法來監測可能被用於生產核武器的核材料。

PNNL採用的人工智能對國際原子能機構（IAEA）很有用，該機構正在監測非核武器國家的核後處理設施，以了解從廢核燃料中分離出來的钚是否後來被用於生產核武器。除了親自檢查之外，IAEA還使用了樣品分析和過程監測，這可能是一個耗時和勞動密集型的過程。

PNNL的算法可以為IAEA檢查的設施創建一個虛擬模型，跟踪”重要的時間模式”來訓練模型，並預測屬於設施中各個區域的正常使用模式。如果現場收集的數據與虛擬預測不一致，可以叫檢查員再檢查一次設施。

PNNL實驗室設計的另一個由ML驅動的解決方案可以通過一個”自動編碼器”模型來處理放射性材料的圖像，該模型可以被訓練成”壓縮和解壓圖像”的小描述，對計算分析有用。該模型查看微觀放射性粒子的圖像，尋找放射性材料因其生產設施的環境條件或源材料的純度而形成的獨特結構。

執法機構（即FBI）隨後可以將現場樣本的微觀結構與大學和國家實驗室開發的電子顯微鏡圖像庫進行比較，這樣他們就可以加快識別過程。PNNL的研究人員警告說，機器學習算法和計算機”不會在短時間內取代人類檢測核威脅”，但它們在檢測和避免美國領土上的潛在核災難方面可以發揮作用。