Utilisations possibles de l’IA générative pour donner plus de pouvoir aux exploitants de centrales nucléaires
Imaginez pouvoir non seulement détecter une panne dans un système complexe, mais aussi recevoir une explication claire et compréhensible de sa cause. C'est comme avoir un expert chevronné à vos côtés. C'est la promesse de combiner un modèle de langage étendu (LLM) tel que GPT-4 avec des outils de diagnostic avancés.
Dans un article publié sur le arXiv serveur de préimpression, les ingénieurs du laboratoire national d'Argonne du département américain de l'énergie (DOE) étudient comment cette nouvelle idée pourrait améliorer la compréhension et la confiance des opérateurs dans les informations de diagnostic dans des systèmes complexes comme les centrales nucléaires.
L’objectif est d’aider les opérateurs à prendre de meilleures décisions lorsque quelque chose ne va pas en expliquant en termes compréhensibles par l’homme ce qui ne va pas, pourquoi et comment cela ne va pas.
Pour y parvenir, les ingénieurs d'Argonne ont combiné trois éléments : un outil de diagnostic Argonne appelé PRO-AID, un moteur symbolique et un LLM. L'outil de diagnostic utilise les données de l'installation et des modèles basés sur la physique pour identifier les défauts.
Le moteur symbolique agit comme un intermédiaire entre PRO-AID et le LLM. Il crée une représentation structurée du processus de raisonnement sur les défauts et contraint l'espace de sortie du LLM, ce qui permet d'éliminer les hallucinations. Ensuite, le LLM explique ces défauts d'une manière que les opérateurs peuvent comprendre.
« Le système a le potentiel d'améliorer la formation de notre personnel nucléaire et de rationaliser les tâches d'exploitation et de maintenance », explique Rick Vilim, directeur du département d'analyse et de contrôle des installations et des capteurs chez Argonne.
PRO-AID fonctionne en comparant les données en temps réel de l'usine aux comportements normaux attendus. En cas de non-concordance, cela indique une défaillance. Ce processus implique l'utilisation de modèles qui simulent les composants de l'usine et la manière dont ils devraient normalement se comporter. Si quelque chose ne correspond pas, il y a un problème, et PRO-AID fournit une distribution probabiliste des défaillances basée sur ces non-concordances.
L'un des principaux défis des LLM est de s'assurer qu'ils fournissent des informations exactes. Les auteurs y parviennent en concevant un moteur symbolique pour gérer les informations utilisées par le LLM, en veillant à ce qu'il ne fournisse que des explications basées sur les données et les modèles.
Le LLM est utilisé pour expliquer les résultats de PRO-AID. Il prend des données techniques complexes et les traduit en langage facile à comprendre. Cela aide les opérateurs à comprendre la cause du défaut et le raisonnement derrière le diagnostic. De plus, en utilisant le langage naturel, les opérateurs peuvent utiliser le LLM pour se renseigner de manière arbitraire sur les mesures du système et des capteurs.
Le système a été testé au Mechanisms Engineering Test Loop Facility (METL) d'Argonne, la plus grande installation d'essai de métaux liquides du pays où des composants de petite et moyenne taille sont testés pour une utilisation dans des réacteurs nucléaires avancés refroidis au sodium.
Le système a diagnostiqué un capteur défectueux et a expliqué le problème aux opérateurs. Cela démontre que la combinaison d'un outil de diagnostic avec un LLM peut fournir efficacement des explications compréhensibles et fiables sur les pannes dans les systèmes complexes.
