Rationaliser le développement de l’IA pour des modèles d’ingénierie nucléaire transparents
Alors que l’énergie nucléaire s’accélère pour atteindre les objectifs de décarbonation, les techniques d’apprentissage automatique et d’IA offrent le potentiel d’accélérer la conception de nouveaux réacteurs et d’améliorer la sécurité du parc existant. Cependant, les normes de sécurité rigoureuses de la Commission américaine de réglementation nucléaire (NRC) pourraient ralentir l’adoption de cette technologie en évolution rapide.
La transparence des modèles est de la plus haute importance pour les régulateurs. Si une entreprise nucléaire utilise l’IA pour déterminer un seuil de sécurité pour l’exploitation d’un réacteur nucléaire, la CNRC doit être en mesure d’évaluer la validité du modèle.
Malheureusement, une grande partie de l’IA est une boîte noire. Bien que ces modèles exploitent des modèles pour prédire une production à une vitesse sans précédent, les procédures réglementaires traditionnelles ne peuvent pas être utilisées pour évaluer leurs résultats. Il est très difficile pour un humain de faire le lien entre l’entrée et la sortie. Pour suivre le rythme de l’industrie, le CNRC aura besoin de nouvelles méthodes pour autoriser les propositions utilisant l’IA.
Pour combler ce fossé, une équipe de recherche de l’Université du Michigan a commencé à développer une IA explicable pour les applications nucléaires. pyMAISE, Michigan Artificial Intelligence Standard Environment basé sur Python, est une bibliothèque d’analyse comparative d’apprentissage automatique automatique, la première du genre créée par des ingénieurs nucléaires pour des ingénieurs nucléaires.
« pyMAISE est une étape pour aider le CNRC à créer un pipeline d’IA pouvant faire l’objet d’une licence », a déclaré Majdi Radaideh, professeur adjoint de génie nucléaire et de sciences radiologiques et auteur co-correspondant de l’étude publiée dans Progrès dans l’énergie nucléaire.
« Nous souhaitons que les sociétés nucléaires et le CNRC disposent d’une plate-forme commune pour tester efficacement l’IA explicable et l’apprentissage automatique avec quantification de l’incertitude pour des applications potentielles, sans avoir à s’occuper des procédures d’analyse de routine de l’apprentissage automatique », a ajouté Radaideh.
Le package simplifie le processus de développement de l’apprentissage automatique et de l’IA, permettant aux ingénieurs sans solide expérience dans le domaine de créer rapidement des outils à partir de leurs ensembles de données. pyMAISE aide à identifier le meilleur modèle en ajustant et en testant un large éventail de modèles potentiels, de la régression linéaire de base aux réseaux neuronaux complexes (une pile de plusieurs couches de nœuds interconnectés qui imitent la structure du cerveau humain). Il offre des capacités parallèles pour les ressources CPU et GPU, contribuant ainsi à accélérer le processus car le système peut effectuer plusieurs tâches simultanément.
L’étude démontre les capacités de pyMAISE dans trois scénarios, dont un cas d’utilisation de conception de réacteur et deux applications de surveillance de la sécurité. Premièrement, aidant à affiner la conception d’un microréacteur nucléaire, le package a exploité un ensemble de données simulées pour modéliser l’impact des paramètres de conception sur la puissance de sortie.
Dans deux scénarios liés à la sécurité, pyMAISE a créé des modèles permettant de prédire un paramètre critique pour la sécurité des niveaux de puissance dans les réacteurs nucléaires, connu sous le nom de flux thermique critique, et de détecter les défauts des systèmes électroniques pour aider à résoudre à l’avance les problèmes d’équipement.
Dans les trois cas, pyMAISE a obtenu des performances égales ou supérieures à celles des bibliothèques d’analyse comparative d’apprentissage automatique comparables, notamment Auto-Sklearn, AutoKeras et H.2O. Le package explorait souvent plus de modèles, parfois avec moins d’échantillons de formation.
« Nous avons été étonnés de constater le niveau de polyvalence de pyMAISE à partir de ces études de cas. Le package pourrait passer d’une application d’apprentissage automatique à une autre avec des données et une physique complètement différentes tout en trouvant des modèles qui capturent vraiment l’idée de ce qui se passe », a déclaré Patrick Myers. , doctorant en génie nucléaire et sciences radiologiques à l’UM et premier auteur de l’étude.
Il est important de noter que pyMAISE inclut des fonctionnalités d’explicabilité préliminaires, une rareté dans le domaine de l’apprentissage automatique. Étant donné un modèle, le package peut déterminer quelles entrées sont les plus importantes pour déterminer la sortie.
« Alors que pyMAISE continue de se développer, nous aimerions ouvrir un peu plus la boîte noire pour élargir notre compréhension du fonctionnement interne des modèles », a déclaré Nataly Panczyk, doctorante en génie nucléaire et en sciences radiologiques à l’UM et auteure collaboratrice. de l’étude.
Ces travaux pourraient potentiellement bénéficier à des domaines autres que l’ingénierie nucléaire, car des modèles d’IA plus interprétables sont nécessaires pour être adoptés dans tout secteur sensible à la sécurité, notamment les soins de santé ou la finance.
