اصلاح زباله‌های هسته‌ای با کمک یادگیری عمیق

به گزارش ایسنا و به نقل از فیز، پژوهشی که با همکاری "آزمایشگاه ملی لارنس برکلی"(LBL)، "آزمایشگاه ملی شمال‌غربی پاسیفیک"(PNNL)، "دانشگاه براون"(Brown University) و شرکت "انویدیا"(NVIDIA) انجام شده، نشان می‌دهد که یک ابررایانه مجهز به یادگیری عمیق می‌تواند به بررسی اصلاح زباله‌های هسته‌ای کمک کند.

این پژوهش، در مورد به‌کارگیری "شبکه‌های مخالف مولد"(GANs) در تحلیل مشکلات پیچیده و بزرگ‌مقیاس، امیدهایی را ارائه می‌دهد.

"جرج کارنیاداکیس"(George Karniadakis)، استاد ریاضیات کاربردی دانشگاه براون و از نویسندگان این پژوهش گفت: ما از قوانین فیزیک و اصول اکتشافی آن آگاه هستیم. مفهوم شبکه‌های مخالف مولد، با کدگذاری اطلاعات ابتدایی فیزیک در شبکه عصبی مرتبط است و امکان فراتر رفتن از محدوده آموزش را فراهم می‌کند که از اهمیت بالایی در هنگام تغییر شرایط برخوردار است.

پژوهشگران آزمایشگاه برکلی، کاربردهای شبکه‌های مخالف مولد را در آزمایش‌های فیزیک بررسی کرده‌اند که ترکیبی از محدودیت‌های فیزیک را با پیش‌بینی‌های آن به کار گرفته‌اند. "کارنیاداکیس" و گروهش، پیشگام روشی از ترکیب فیزیک با شبکه‌های مخالف مولد و به‌کارگیری آنها در تولید "داده" شده‌اند.

تمرکز پژوهشگران در این پروژه، بر مرکز انرژی هسته‌ای "سایت هنفورد"(Hanford Site) است که در سال 1943 به عنوان بخشی از "پروژه منهتن"(Manhattan Project) و برای تولید پلوتونیوم مورد نیاز برای تولید سلاح‌های هسته‌ای تاسیس شد و نهایتا به تولید نخستین راکتور تولید پلوتونیوم در جهان انجامید.

هنگامی که تولید پلوتونیوم در سال 1989 پایان یافت، ده‌ها میلیون گالن زباله‌های شیمیایی و آلوده به رادیواکتیو به جای ماندند و به آلودگی آب‌های زیرزمینی منجر شدند.

"وزارت انرژی آمریکا"(DOE)، "سازمان حفاظت از محیط زیست آمریکا"(EPA) و "بخش بوم‌شناسی ایالت واشنگتن"(Washington State Department of Ecology) از 30 سال گذشته تاکنون تلاش کرده‌اند تا "هنفورد" را پاکسازی کنند.

برای ردیابی روند پاکسازی، کارگران باید به حفاری چاه در "سایت هنفورد" و قرار دادن حسگرهایی در آنها بپردازند تا امکان جمع‌آوری داده‌های مربوط به ویژگی‌های زمین‌شناسی این ناحیه، جریان آب‌های زیرزمینی و گسترش آلودگی در آن فراهم شود.

"الکس ترتاکوفسکی"(Alex Tartakovsky)، ریاضیدان محاسباتی و از نویسندگان این پژوهش گفت: تخمین زدن ویژگی‌های "سایت هنفورد" با کمک داده‌ها، به بیش از یک میلیون سنجش نیاز دارد و در این مورد شاید این تعداد به هزار سنجش هم برسد. قوانین فیزیک می‌توانند برای جبران کمبود داده‌ها به ما کمک کنند.

وی افزود: هدف ابتدایی ما از این پروژه، بررسی میزان دقت روش‌ها بود؛ در نتیجه به جای سنجش‌های واقعی، از داده‌های تولید شده با این روش استفاده کردیم.

این پژوهش می‌تواند روش جدیدی را برای بررسی با کمک شبکه‌های مخالف مولد ارائه دهد. ما قصد داریم با ارائه یک روش بسیار کم‌هزینه، شبکه‌های مخالف مولد را به کار بگیریم و دانش مورد نظر خود را در این حوزه به دست آوریم.