اصلاح زباله‌های هسته‌ای با کمک یادگیری عمیق

ايسنا/ پژوهشگران آمريکايي سعي دارند با کمک رايانه‌هاي مجهز به يادگيري عميق، به اصلاح زباله‌هاي هسته‌اي کمک کنند. پژوهشي که با همکاري "آزمايشگاه ملي لارنس برکلي"(LBL)، "آزمايشگاه ملي شمال‌غربي پاسيفيک"(PNNL)، "دانشگاه براون"(Brown University) و شرکت "انويديا"(NVIDIA) انجام شده، نشان مي‌دهد که يک ابررايانه مجهز به يادگيري عميق مي‌تواند به بررسي اصلاح زباله‌هاي هسته‌اي کمک کند. اين پژوهش، در مورد به‌کارگيري "شبکه‌هاي مخالف مولد"(GANs) در تحليل مشکلات پيچيده و بزرگ‌مقياس، اميدهايي را ارائه مي‌دهد. "جرج کارنياداکيس"(George Karniadakis)، استاد رياضيات کاربردي دانشگاه براون و از نويسندگان اين پژوهش گفت: ما از قوانين فيزيک و اصول اکتشافي آن آگاه هستيم. مفهوم شبکه‌هاي مخالف مولد، با کدگذاري اطلاعات ابتدايي فيزيک در شبکه عصبي مرتبط است و امکان فراتر رفتن از محدوده آموزش را فراهم مي‌کند که از اهميت بالايي در هنگام تغيير شرايط برخوردار است. پژوهشگران آزمايشگاه برکلي، کاربردهاي شبکه‌هاي مخالف مولد را در آزمايش‌هاي فيزيک بررسي کرده‌اند که ترکيبي از محدوديت‌هاي فيزيک را با پيش‌بيني‌هاي آن به کار گرفته‌اند. "کارنياداکيس" و گروهش، پيشگام روشي از ترکيب فيزيک با شبکه‌هاي مخالف مولد و به‌کارگيري آنها در توليد "داده" شده‌اند. تمرکز پژوهشگران در اين پروژه، بر مرکز انرژي هسته‌اي "سايت هنفورد"(Hanford Site) است که در سال ۱۹۴۳ به عنوان بخشي از "پروژه منهتن"(Manhattan Project) و براي توليد پلوتونيوم مورد نياز براي توليد سلاح‌هاي هسته‌اي تاسيس شد و نهايتا به توليد نخستين راکتور توليد پلوتونيوم در جهان انجاميد. هنگامي که توليد پلوتونيوم در سال ۱۹۸۹ پايان يافت، ده‌ها ميليون گالن زباله‌هاي شيميايي و آلوده به راديواکتيو به جاي ماندند و به آلودگي آب‌هاي زيرزميني منجر شدند. "وزارت انرژي آمريکا"(DOE)، "سازمان حفاظت از محيط زيست آمريکا"(EPA) و "بخش بوم‌شناسي ايالت واشنگتن"(Washington State Department of Ecology) از ۳۰ سال گذشته تاکنون تلاش کرده‌اند تا "هنفورد" را پاکسازي کنند. براي رديابي روند پاکسازي، کارگران بايد به حفاري چاه در "سايت هنفورد" و قرار دادن حسگرهايي در آنها بپردازند تا امکان جمع‌آوري داده‌هاي مربوط به ويژگي‌هاي زمين‌شناسي اين ناحيه، جريان آب‌هاي زيرزميني و گسترش آلودگي در آن فراهم شود. "الکس ترتاکوفسکي"(Alex Tartakovsky)، رياضيدان محاسباتي و از نويسندگان اين پژوهش گفت: تخمين زدن ويژگي‌هاي "سايت هنفورد" با کمک داده‌ها، به بيش از يک ميليون سنجش نياز دارد و در اين مورد شايد اين تعداد به هزار سنجش هم برسد. قوانين فيزيک مي‌توانند براي جبران کمبود داده‌ها به ما کمک کنند. وي افزود: هدف ابتدايي ما از اين پروژه، بررسي ميزان دقت روش‌ها بود؛ در نتيجه به جاي سنجش‌هاي واقعي، از داده‌هاي توليد شده با اين روش استفاده کرديم. اين پژوهش مي‌تواند روش جديدي را براي بررسي با کمک شبکه‌هاي مخالف مولد ارائه دهد. ما قصد داريم با ارائه يک روش بسيار کم‌هزينه، شبکه‌هاي مخالف مولد را به کار بگيريم و دانش مورد نظر خود را در اين حوزه به دست آوريم. ما را در کانال «آخرين خبر» دنبال کنيد