مدیرعامل مخابرات: برای ارائه سرویس باکیفیت، تعرفهها باید منطقیسازی شود
مدیرعامل شرکت مخابرات ایران معتقد است صنعت ارتباطات در سالهای اخیر، فقیر شده و علت…
۱۸ آذر ۱۴۰۳
۱۱ فروردین ۱۴۰۲
زمان مطالعه : ۳ دقیقه
محققان آزمایشگاه America’s Pacific Northwest National Laboratory (PNNL) در حال ساخت یک سری تکنیکهای یادگیری ماشینی هستند که قرار است سلاحهای هستهای ناشناس را شناسایی کند.
نیازی به گفتن ندارد که مالکیت سلاح هستهای برای افراد غیرقانونی است و شاید حتی امکانش هم وجود نداشته باشد. کشورهایی همچون آمریکا و روسیه تعداد زیادی از این سلاحها را تحت مالکیت خود دارند و دیگر کشورهای مجهز به سلاح هستهای نیز عضو پیمان منع گسترش سلاحهای هستهای هستند.
درنتیجه هویت مالکان رسمی سلاحهای هستهای مشخص است اما آیا به جز آنچه به صورت رسمی گزارش میشود هیچ سلاح هستهای دیگری در جهان وجود ندارد؟
برای شناسایی فعالیت هسته باید به دقت مواد شیمیایی و زیرساخت مورد نیاز برای تولید سلاح هستهای را بررسی کرد. استیو اشبی، مدیر PNNL، میگوید این آزمایشگاه که از پشوانه وزارت انرژی آمریکا برخوردار است قصد دارد برای شناسایی تهدیدهای هستهای از یادگیری ماشینی استفاده کند.
البته که مساله تنها شناسایی این سلاحها نیست: این تکنیکهای یادگیری ماشینی «سریعتر و آسانتر » تهدیدهای هستهای را شناسایی میکنند.
در یکی از روشها که از مدل کدگذاری خودکار استفاده میکند، تصاویر مواد رادیواکتیو برای پیدا کردن منشا و نحوه ساخت آن بررسی میشوند. این نرمافزار ردپا یا اثرانگشتی از نمونه ارائه شده را تولید کرده و آن را با پایگاه دادهای از تصاویر میکروسکپی گرفته شده در دانشگاهها و دیگر آزمایشگاهها مقایسه میکند.
با توجه به شباهت تصاویر، تحلیلگران میتوانند منشا ماده ناشناخته را حدس زده و آزمایشگاه سازنده آن محصول هستهای را مشخص کنند. این راهکار برای شناخت کیفیت مواد و البته سازنده آن کاربرد دارد. اشبی میگوید PNNL به نیروهای امنیتی در شناسایی اهداف و سرعت بخشیدن به تفحصها کمک کرده است.
به گفته این آزمایشگاه: «مواد رادیواکتیو با توجه به شرایط محیطی یا خلوص موادی که در تاسیسات تولید کننده به کار رفته ساختار میکروسکپی خاصی دارند.» با کمک نرمافزار میتوان با توجه به این ساختار خاص آزمایشگاه یا تاسیسات تولید کننده مواد رادیواکتیو را شناسایی کرد.
در روش دیگری که PNNL آن را ابداع کرده است نرمافزاری به صورت مستقیم آزمایشگاهها را در نظر گرفته و فعالیت مشکوک را شناسایی میکند.
در مرحله اول مدلی شبیهسازی شده از آزمایشگاه هستهای ساخته میشود. براساس این دادهها «الگوهای دمایی مهم» شناسایی و مدلسازی میشود. راهکار PNNL الگویی را برای استفاده صلحآمیز آزمایشگاه مشخص میکند و در صورت که الگوی واقعی با الگوی پیشبینی شده برای استفاده صلحآمیز همخوانی نداشته باشد، مقامات مطلع میشوند.
با این حال متخصصان میگویند الگوهای یادگیری ماشینی حتی در صورت اجرایی شدن نیز همچنان به نظارت انسانی نیاز دارند.
منبع: theregister