當全部科技界都在存眷生成性人工智能及其所謂的損壞經濟和失業市場的本領時，研究人員正在采納神經網絡來處理科學、能源、康健和平安方面的挑釁，如檢驗未知核威脅。太平洋西北國度實驗室（PNNL）正試圖經過運用機械進修（ML）算法獵取未知的核威脅。

　　PNNL是美國能源部國度實驗室之一，如今ML無處不在，能夠被用來創立"平安、值得相信、基于科學的體系"，旨在給大眾和國度供應差別品種的堅苦科學挑釁的謎底。

　　PNNL引見說，ML算法的正式公開亮相可以追溯到1962年，其時一臺IBM 7094計算機正在跳棋中戰勝了人類敵手。因為采用了以上算法，該體系可以自我進修，沒有被明白編程以改動其對國際象棋選手Robert Nealey的戰略。

　　PNNL說，本日，機械進修無處不在，由于它為個性化的購物推舉和語音驅動的助手（如Siri和Alexa）給予撐持。像ChatGPT那樣的生成型人工智能工具只是一項已有幾十年成熟和成長的手藝的最新公開顯示。

　　PNNL的研討人員還正在將機械進修適用于國家安全，由于該實驗室的專家正正在將他們正在核不擴散和"人工推理"方面的常識結合起來，以檢驗和（大概）減輕核威脅。他們研討的關鍵目的是采納數據剖析和機械進修算法來監測大概被適用于出產核武器的核質料。

　　PNNL接納的人工智能對國際原子能機構（IAEA）很有效，該機構正在監測非核兵器國度的核后處理設備，以掌握由廢核燃料中分離出來的钚是不是厥后被適用于出產核兵器。除親自查抄以外，IAEA還使用了樣品闡發和歷程監測，這多是一個耗時和勞動密集型的歷程。

　　PNNL的算法能夠為IAEA查抄的設備創立一個假造模子，跟蹤"主要的時候形式"來鍛煉模子，并展望屬于設備中各個地區的一般利用形式。假如現場收集的數據取假造展望不一致，能夠叫查抄員再查抄一次設備。

　　PNNL實驗室設計的另一個由ML驅動的解決方案能夠根據一個"主動編碼器"模子來處置懲罰放射性質料的圖象，該模子能夠被訓練成"緊縮和解壓圖象"的小描寫，對測算闡明有效。該模子檢察微觀放射性粒子的圖象，尋覓放射性質料因其出產舉措措施的環境條件或源質料的純度而構成的共同構造。

　　法律機構（即FBI）隨后能夠將現場樣本的微觀構造取大學和國度實驗室開辟的電子顯微鏡圖象庫開展對照，如許他們就能夠放慢辨認歷程。PNNL的研究人員正告說，機械進修算法和計算機"不會正在短時間間內代替人類檢驗核威脅"，但它們正在檢驗和防止美國領土上的潛正在核劫難層面能夠發揮作用。