Ứng dụng Trí tuệ nhân tạo (AI) và Máy học (ML) trong lĩnh vực Kỹ thuật và Công nghệ Hạt nhân phục vụ cuộc sống

Ứng dụng Trí tuệ nhân tạo (AI) và Máy học (ML) trong lĩnh vực Kỹ thuật và Công nghệ Hạt nhân phục vụ cuộc sống

Lượng kiến thức và tài liệu liên quan đến chủ đề trí tuệ nhân tạo (AI: Artificial Intelligence) cho đến nay là rất rộng và có thể gây khó khăn đối với các nhà nghiên cứu không chuyên sâu về AI trong việc tiếp cận tìm hiểu ứng dụng. Tuy nhiên, để hiểu rõ hơn về những thành tựu đã đạt được trong lĩnh vực này, điều quan trọng tiên quyết là phải nắm được những nguyên lý và khái niệm cơ bản về AI từ đó có thể định hướng mục tiêu và ứng dụng thành công AI trong lĩnh vực kỹ thuật và công nghệ hạt nhân (Uhrig, 1988).

1. Trí tuệ nhân tạo – Lịch sử hình thành và phát triển

Trí tuệ nhân tạo (TTNT), tiếng Anh là Artificial Intelligence hay chữ viết tắt được dùng phổ biến là AI, còn có thể hiểu bình dân hơn là ‘thông minh nhân tạo’, tức là sự thông minh của máy móc do con người tạo ra, đặc biệt tạo ra cho máy tính, robot, hay các máy móc có các thành phần tính toán điện tử. Trí tuệ nhân tạo là một lĩnh vực của khoa học và công nghệ nhằm làm cho máy có những khả năng của trí tuệ và trí thông minh của con người, tiêu biểu như biết suy nghĩ và lập luận để giải quyết vấn đề, biết giao tiếp do hiểu ngôn ngữ và tiếng nói, biết học và tự thích nghi, … Là một trong những lĩnh vực mới mẻ về khoa học và kỹ thuật, thuật ngữ trí tuệ nhân tạo (TTNT) đã được thiết lập vào giữa những năm 50 của thế kỷ trước bởi John McCarthy tại Dự án nghiên cứu tại Dartmouth về AI. Người ta vẫn lấy hội nghị mùa hè năm 1956 tại trường Dartmouth ở Mỹ làm sự kiện ra đời của ngành TTNT. Hội nghị đầu tiên này do Marvin Minsky và John McCarthy tổ chức với sự tham dự của vài chục nhà khoa học, trong đó có Allen Newell và Herbert Simon. Bốn người này luôn được coi là những người sáng lập của ngành TTNT. Nhiều người tham gia hội nghị Dartmouth sau này đã trở thành những thủ lĩnh về nghiên cứu TTNT trong nhiều thập kỷ, trong đó có giáo sư Donald Michie, một người tiên phong về TTNT ở châu Âu, người đã lập ra phòng thí nghiệm TTNT nổi tiếng tại đại học Edinburgh ở Anh. Chính tại hội nghị Dartmouth, McCarthy đã đề nghị tên gọi ‘artificial intelligence’. Mặc dù còn tranh cãi trong một thời gian, tên này vẫn được thừa nhận và dùng cho đến nay. (Hồ Tú Bảo, JAIST).

Theo lịch sử ghi nhận, có bốn trường phái tư tưởng đã được phân loại như sau (Russell và Norvig, 2010):

  • Think Humanly: suy nghĩ giống con người
  • Act Humanly: máy móc thực hiện được những hành động giống con
  • Think Rationally: suy nghĩ hợp lý, chi phối bởi logic và quy luật
  • Act Rationally: hành động hợp lý, đạt được kết quả tốt nhất dựa trên các thông số nội và ngoại sinh theo thời gian

Bốn trường phái tư tưởng này đã hình thành nền tảng cơ sở mục tiêu chung của AI là: xây dựng những cỗ máy có thể học và suy nghĩ như con người. Tuy nhiên, tham vọng to lớn từ ban đầu này giảm dần theo thời gian khi gặp phải nhiều khó khăn do thiếu hiểu biết về cơ chế lập luận của con người (Brooks, 1991). Vì vậy, thực tế phải sử dụng phương thức rút gọn (reductionism) bằng cách phân tách các vấn đề cụ thể của AI để xử lý. Một trong những bài báo khoa học quan trọng về AI, “Steps Towards Artificial Intelligence” (Minsky, 1961), đã lưu ý 05 lĩnh vực chính cấu thành AI, cụ thể là: lập kế hoạch (Planning), nhận dạng hình thái (Pattern Recognition), công việc – lợi ích (Credit Assignment), và suy luận (Inference); mỗi lĩnh vực tập trung giải quyết một kiểu bài toán khác nhau.

  • Bài toán tìm kiếm: đưa ra một vấn đề được định nghĩa rõ ràng, máy tính phải đưa ra giải pháp tìm kiếm tốt hơn việc tìm kiếm toàn bộ trên tập hợp.
  • Bài toán lập kế hoạch: đưa ra một vấn đề phức tạp khi tồn tại các hạn chế (ví dụ: thời gian, chi phí, các ràng buộc và nhiều tồn tại nhiều giải pháp có thể lựa chọn), máy tính phải phải đưa ra giải pháp chỉ chọn một vài thông số hạn chế để thực hiện phân tích mà vẫn đảm bảo yêu cầu mức độ đầy đủ.
  • Bài toán nhận dạng hình thái: với một vấn đề, máy tính phải phân loại nó dựa trên việc trích xuất các đặc tính riêng biệt để có thể phân biệt các hình thái tập hợp khác nhau.
  • Bài toán công việc – lợi ích: sử dụng analogy of reinforcement để khuyến khích hành vi mong muốn, thông qua một hệ thống “học” bằng cách kích thích sự hào hứng dựa trên phần thưởng.
  • Bài toán suy luận quy nạp: trong một miền cụ thể; máy tính phải có các phương thức có thể được sử dụng để đưa ra phán đoán chung dựa trên thông tin không được ghi nhận.

Với những tập hợp khái niệm nêu trên, AI tập trung giải quyết 4 vấn đề cơ bản trong việc mô phỏng các đặc tính của con người như sau:

  • Các vấn đề chung: mô phỏng “suy luận – reasoning” của con người thông qua quá trình nhận thức
  • Máy chơi game: mô phỏng “chiến thuật – strategy” thông qua các game chiến thuật
  • Hệ thống chuyên gia: mô phỏng “comprehension – sự lĩnh hội” thông qua văn bản và ngôn ngữ tự nhiên
  • Ứng dụng khác: mô phỏng quá trình ra quyết định (decision making) thông qua các bài toán phỏng đoán (heuristic), tổ hợp (combinatorial) và tìm kiếm (searching)

Như vậy, khi một cỗ máy có thể trả lời tất cả các câu hỏi cơ bản, thì nó có thể được coi là thông minh. Với sự phát triển của khoa học công nghệ, các hệ thống AI đã có thể chơi game đố vui Jeopardy, nhận ra các vật thể trong ảnh, mô tả các bức ảnh và nhận ra giọng nói và mệnh lệnh của bạn theo cách “giống như con người”. Trong thời kỳ đầu, lĩnh vực AI tập trung vào giải quyết các vấn đề khó khăn về trí tuệ đối với con người và các vấn đề có thể dễ dàng mô tả bằng các quy tắc toán học đơn giản (LeCun và cộng sự., 2015), như cờ vua. Đối với các nhiệm vụ trong môi trường thực tế có nhiều biến động, việc phát triển một bộ quy tắc chung là không thực tế và trở nên không khả thi. Các lĩnh vực con của AI, được gọi là học máy, có đặc điểm đặc biệt là tạo ra các mối quan hệ hoặc bộ quy tắc từ dữ liệu, cho phép máy tính giải quyết các vấn đề phức tạp hơn và xử lý tốt các biến động. Hệ quả là khả năng ứng dụng của học máy trong lĩnh vực khoa học kỹ thuật với vai trò là công cụ ước tính nhanh hoặc tối ưu hóa nhanh đã trở thành một lĩnh vực nghiên cứu tiềm năng.

Trong lĩnh vực công nghiệp hạt nhân, mối quan tâm trong việc phát triển hệ thống hỗ trợ máy tính để giảm tải lượng thông tin trong các quá trình vận hành đã được đặt lên hàng đầu kể từ những năm 1980 (Buettner, 1985)và đo đạc quan trắc phóng xạ hạt nhân từ những năm 1990 (Olmos et al., 1991). Trong khi nhiều ứng dụng của phương pháp học máy đã được đề xuất, nắm được ưu thế và thách thức tiềm năng phát sinh từ các phương pháp này sẽ giúp chúng ta đặt vấn đề bài toán tốt hơn cũng như thu thập dữ liệu đại diện để triển khai hiệu quả.

2. Ứng dụng AI trong lĩnh vực Kỹ thuật và Công nghệ Hạt nhân phục vụ cuộc sống

Kỹ thuật và Công nghệ Hạt nhân có một số ứng dụng dân sự khác nhau mang nhiều lợi ích cho công chúng. Các ứng dụng y tế bao gồm ứng dụng bức xạ hạt nhân và đồng vị phóng xạ để chẩn đoán, theo dõi và điều trị nhiều căn bệnh khác nhau của con người; có rất nhiều các ứng dụng trong công nghiệp đặc trưng bởi khả năng không xâm lấn đối tượng bao gồm khử trùng, chụp X quang, phát hiện khói và an toàn thực phẩm; các ứng dụng về nghiên cứu học thuật bao gồm việc sử dụng vật liệu hạt nhân trong phòng thí nghiệm, nghiên cứu và phát triển; và các ứng dụng năng lượng bao gồm sản xuất điện, nhiệt và ứng dụng kết hợp với các nguồn năng lượng khác. AI có phạm vi ứng dụng rộng rãi trong lĩnh vực công nghệ hạt nhân, đơn giản từ ứng dụng trong nông nghiệp đến phức tạp hơn như y tế, công nghiệp, môi trường, năng lượng và thăm dò không gian.

Lĩnh vực nông nghiệp

Theo Cơ quan Năng lượng Nguyên tử Quốc tế (IAEA), chúng ta có thể sử dụng Công nghệ Hạt nhân cho các hoạt động nông nghiệp để tăng sản lượng lương thực và chống đói nghèo. Trong lĩnh vực này, các thiết bị hoạt động có sự hỗ trợ công nghệ AI có thể được sử dụng để tiêu diệt côn trùng có hại, vi khuẩn, bọ và các sinh vật gây hại khác.

Lĩnh vực Y tế: Xạ trị Ung thư

Những tiến bộ công nghệ đáng kể trong lĩnh vực xạ trị ung thư vài thập kỷ qua đã dẫn đến sự chuyển đổi nhanh chóng của các quy trình điều trị lâm sàng có ảnh hưởng đến kết quả điều trị bệnh nhân. Sự ra đời của các công nghệ tiên tiến như máy gia tốc cộng hưởng từ phức hợp (Hybrid Magnetic Resonance Accelerators), Helical Tomotherapy (Accuracy Inc, Sunnyvale, CA), CyberKnife (Accuray Inc, Sunnyvale, CA), Gamma Knife Icon (Elekta AB, Stockholm, Thụy Điển) và Xạ trị hạt nặng proton đã đặt ra yêu cầu các chuyên gia lĩnh vực xạ trị (RTs) phát triển tập hợp kỹ năng rộng hơn. Hơn nữa, việc tích hợp trí tuệ nhân tạo (AI) vào quy trình điều trị lâm sàng ngày càng được chú trọng. Thông báo gần đây của hãng thiết bị xạ trị Varian (Varian Oncology Systems, Palo Alto, CA) giới thiệu giải pháp hệ thống ETHOSTMhỗ trợ AI đầu tiên trên thế giới nhằm cải thiện hiệu quả trong liệu pháp xạ trị thích ứng, thể hiện một bước tiến lớn trong việc cung cấp phương pháp điều trị có thể được cá nhân hóa. Ngoài ra, phòng thí nghiệm Raysearch (Stockholm, Thụy Điển) tích hợp máy học (ML) trong phần mềm lập kế hoạch xạ trị (TPS) cho hệ thống Ray Station TPS phiên bản 8B đã được Cục Quản lý Thực phẩm và Dược phẩm cấp giấy phép trong đó kết hợp các thuật toán ML để phân đoạn tổ chức cơ quan nội tạng tự động và tự động lập kế hoạch xạ trị. Sự xuất hiện của các phương pháp tiếp cận dựa trên AI và ML này được kỳ vọng sẽ biến đổi các quy trình xạ trị lâm sàng và sẽ làm tăng nhu cầu đào tạo về kỹ thuật xạ trị để giải quyết những thay đổi bằng cách kết hợp AL và ML trong chương trình giảng dạy.

Bảo vệ An toàn Bức xạ Hạt nhân

Là một trong những trụ cột cơ bản của lĩnh vực an toàn hạt nhân, các nhiệm vụ liên quan đến bảo vệ bức xạ cũng được tăng cường hàm lượng thông minh bằng cách mở rộng ứng dụng của AI. Trong lĩnh vực phân tích quang phổ, mục tiêu là tìm ra hình thái hoặc cấu trúc, các đỉnh năng lượng toàn phần trong hầu hết các trường hợp và tốc độ đếm vi phân bằng cách phân tích phân bố số đếm trên toàn phổ thu được. Việc phân biệt và nhận diện chính xác hiệu quả các đồng vị phóng xạ có vai trò rất quan trọng vì nó có thể giúp phát hiện sự vận chuyển bất hợp pháp các chất phóng xạ, hoặc các chất gây ô nhiễm trong một khu vực nhất định, thông thường được xác định bằng cách sử dụng phổ kế gamma. Có rất nhiều ứng dụng đối với phương pháp phân tích quang phổ khác nhau, từ phân tích thiết bị, phổ thu được từ thiết bị, ý nghĩa và các đặc tính dẫn xuất của nó. Nhận diện đồng vị phóng xạ sử dụng phương pháp học sâu dựa trên phổ gamma và neutron được đặc biệt quan tâm vì các phương pháp như vậy không yêu cầu các mẫu có sẵn hoặc thư viện đỉnh năng lượng được tính toán trước(Fagan và cộng sự, 2012).

Hơn nữa, chúng có thể giúp phân biệt các mẫu hình thái tinh tế trong các tập dữ liệu đa biến lớn để loại trừ xung giả(Kangas và cộng sự, 2008), hiệu chỉnh mức trôi (Kamuda và cộng sự, 2018), độ bất định dữ liệu (Dragović và cộng sự, 2005)và chồng chập (Baeza và cộng sự, 2011, Alizadeh và Ashrafi, 2019). Các ứng dụng khác được tiến hành nghiên cứu ở mức độ hạn chế bao gồm độ ổn định và phân rã hạt nhân (Gernoth và cộng sự, 1995), phương pháp SVM để phát hiện dị thường từ các đường cong nhiệt nhiệt phát quang (TLD) (Amit và Datz, 2018), mã hóa tín hiệu bức xạ (Chatzidakis và cộng sự, 2014), xạ trị (Bibault và cộng sự, 2016). Nhiều thuật toán dựa học sâu khác nhau đã được sử dụng, tuy nhiên mạng nơ-ron là phương pháp chủ đạo. Trong phương pháp phổ kế gamma, nghiên cứu liên quan đến việc xác định các đồng vị phóng xạ sử dụng thiết bị cầm tay (Kamuda và cộng sự, 2019, Keller và Kouze, 1994)dựa trên lựa chọn đồng vị phóng xạ chuẩn ANSI N42.34 (Viện ANS, 2007), phân loại đồng vị phóng xạ độc lập (Abdel-Aal và Al-Haddad, 1997, Yoshida v, 2002, Shahabinejad và cộng sự, 2018, Bellinger và cộng sự, 2015, Chen và cộng sự, 2009), pha trộn các nguyên tố (Olmos và cộng sự, 1991, Kamuda và cộng sự, 2019, Bobin và cộng sự, 2016, Abdel-Aal và Al-Haddad, 1997), và hoạt độ riêng của đồng vị phóng xạ xuất hiện tự nhiên (NORMs) (Sheinfeld v, 2017, Medhat, 2012)đã được thực hiện. Tương tự, phương pháp phân tích phổ kế neutron là một chủ đề nghiên cứu sử dụng hệ thống hình cầu Bonner (Vega-Carrillo và cộng sự, 2006, Ortiz-Rodriguez và cộng sự, 2013, Kardan và cộng sự, 2003), và tính toán liều lượng neutron (Vega-Carrillo và cộng sự, 2009)sử dụng mạng nơ-ron. Việc xác định các đồng vị phóng xạ cũng có thể được mở rộng sang các lĩnh vực liên quan cụ thể khác như kiểm tra phát hiện vật liệu hạt nhân đặc biệt và quan trắc môi trường tại những nơi có địa hình phức tạp, khó khăn trong việc triển khai. Trong các lĩnh vực cụ thể khác chẳng hạn tối ưu hóa, một trong những nguyên lý chính của bảo vệ an toàn bức xạ, thông qua các phương pháp học máy có thể tìm ra lời giải cho bài toán mà phương pháp tất định điển hình không thể giải được hoặc việc tính toán quá tốn kém về thời gian và nguồn lực.

Kiểm soát các Vật liệu Hạt nhân đặc biệt

Nhiều nỗ lực cố gắng đã được thúc đẩy thực hiện để phát triển phương pháp và chiến lược chống buôn bán vật liệu hạt nhân trái phép thông qua công nghệ thanh sát vật liệu hạt nhân đặc biệt. Việc sử dụng phổ kế gamma cũng được mở rộng áp dụng cho các ứng dụng về an ninh hạt nhân và không phổ biến vũ khí hạt nhân. Tuy nhiên, việc nhận diện vật liệu hạt nhân đặc biệt (SNM) có thêm những thách thức mới, như thời gian thu thập dữ liệu, mức phông và hiện tượng suy giảm hoặc phổ bị biến dạng do che chắn, trong đó các nhà khoa học đã áp dụng các phương pháp học máy để cải thiện hiệu năng cũng như giải quyết các thách thức nêu trên. Phương pháp phân cụm để phân loại radioxenon (Sharma và cộng sự, 2012), mạng nơ-ron cho plutonium được che chắn (Aitkenhead và cộng sự, 2012), phân loại hợp chất quặng uranium (Ho và cộng sự, 2015, Hata và cộng sự, 2015), phân loại nhiên liệu đã sử dụng nhóm để giảm bớt các thủ tục thanh sát hạt nhân (Jones và Turner, 2014)và phương pháp phát hiện SNM sử dụng các phương pháp học máy khác nhau như: hệ logic mờ (Alamaniotis và cộng sự, 2013, Alamaniotis và cộng sự, 2009, Alamaniotis và cộng sự, 2009, Alamaniotis và Tsoukalas, 2015), các thuật toán tiến hóa (Alamaniotis và cộng sự, 2013, Alamaniotis và Jevremovic, 2015), quá trình Gaussian (Alamaniotis v, 2015), naïve Bayes (Dalal và Han, 2010, Sullivan và Stinnett, 2015). Phần mềm phân tích đầu dò Gamma (GADRAS) (Horne và cộng sự, 2014, Klasky và cộng sự, 2016)đã được sử dụng làm công cụ tạo dữ liệu huấn luyện trong một số công việc được thực hiện cho cả phổ gamma và neutron.

Quan trắc Môi trường Bức xạ Hạt nhân

Lĩnh vực quan trắc môi trường chủ yếu sử dụng phương pháp ghi nhận bức xạ gamma do đặc tính đâm xuyên mạnh qua môi trường vật chất. Các ứng dụng khác bao gồm ứng dụng môi trường của phổ kế gamma trong lĩnh vực địa chất, địa hóa và bản đồ hóa môi trường, cho phép giải thích các đặc điểm khu vực, chẳng hạn như mức radon trong khí quyển; ô nhiễm do con người tạo ra xung quanh các cơ sở hạt nhân để xác định các giới hạn cơ bản cho các sự cố phát tán; khai thác mỏ và các lĩnh vực công nghiệp khác (IAEA-TECDOC-1363, 2003, IAEA-TECDOC-1017, 1998). Tuy nhiên, các hệ thống môi trường tồn tại một rào cản riêng do động lực học của chúng rất phức tạp, có tính phi tuyến và bị ảnh hưởng bởi nhiều yếu tố gây ngoại sinh; do đó, việc phát triển các công cụ mô phỏng, lập bản đồ rủi ro, dự đoán không gian, thu thập và phân tích dữ liệu (Kanevski và cộng sự, 2004)là những thách thức lớn, trong đó các mô hình thu được thông qua dữ liệu thực nghiệm thường phù hợp hơn so với các phương trình giải tích (Kuo Liu và cộng sự, 2014, Hsieh, 2009). Một số nghiên cứu đáng chú ý ở đây gồm, đặc điểm ô nhiễm Ra-226 (Varley và cộng sự, 2015)và phân bố (Varley và cộng sự, 2015); và quan trắc khắc phục ô nhiễm (Varley và cộng sự, 2016), có thể đóng vai trò là công cụ ước tính đầu tiên để cung cấp những hiểu biết nhanh chóng về hoạt độ, độ sâu và phân bố ô nhiễm. Các tính toán lập bản đồ rủi ro liều lượng môi trường sử dụng các phương pháp học máy khác nhau (Yeşilkanat và cộng sự, 2017), dự đoán về phân bố bụi phóng xạ trong không gian tại địa điểm Chernobyl (Kanevky và cộng sự, 1997), sự phù hợp của mạng nơ-ron đối với tỷ lệ hoạt độ của uranium trong quang phổ môi trường (Einian và cộng sự, 2015), và tính khả dụng sinh học và tích lũy sinh học của các đồng vị phóng xạ NORM trong các loài thủy sản thông qua nguồn nước thải ra từ ​​ngành công nghiệp dầu khí (Chowdhury và cộng sự, 2004, Shakhawat và cộng sự, 2006), là một số các lĩnh vực đã cho thấy lợi ích tiềm năng của phương pháp học máy. Các công nghệ khác như Internet of Things (IoT) cũng đang được nghiên cứu ứng dụng trong lĩnh vực quan trắc môi trường (Muniraj và cộng sự, 2017, Lin và Liaw, 2015).

Tối ưu hóa Hệ thống Hạt nhân

Thiết kế và phân tích các hệ thống kỹ thuật có thể là một quá trình rất phức tạp, trong đó các hệ thống năng lượng là một ví dụ đặc biệt. Tối ưu hóa có thể được định nghĩa là “hành động có được kết quả tốt nhất trong các trường hợp cụ thể được đưa ra “(Rao, 2009). Quá trình lặp đi lặp lại trong một môi trường liên ngành dẫn đến nhiều thiết kế hoặc quyết định dưới mức tối ưu cho đến khi đưa ra quyết định tốt nhất (nghĩa là đáp ứng các yêu cầu áp đặt cũng như hiệu quả về chi phí, hiệu quả, tin cậy và bền vững (Arora, 2016 ). Trong kỹ thuật thực tế, các vấn đề tối ưu hóa được thể hiện dưới dạng hàm giải tích bao gồm các biến quyết định và điều kiện biên, sao cho có thể sử dụng các công cụ tối ưu hóa truyền thống (ví dụ: thuật toán tối ưu hóa bậc nhất hoặc bậc hai). Tuy nhiên, trong một số trường hợp, các công thức giải tích không khả thi hoặc quá đơn giản để mô tả được đầy đủ mức độ phức tạp, trong đó các phương pháp tối ưu hóa phi truyền thống hoặc hiện đại được đặc biệt quan tâm.

Trong lĩnh vực kỹ thuật hạt nhân và bức xạ, nhiều quy trình có thể được tối ưu hóa bằng cách sử dụng phương pháp học máy được nghiên cứu kỹ lưỡng và kiểm chứng. Phương pháp lấy cảm hứng từ sinh học, như mạng nơ-ron, thuật toán tiến hóa và bầy đàn rất phổ biến trong lĩnh vực tối ưu hóa vì cơ chế hoạt động của chúng cho phép tạo ra nhiều giải pháp để tăng cường sự đa dạng và chất lượng. Các loại vấn đề kết hợp có thể dễ dàng tận dụng các phương pháp này; ví dụ, trong quản lý nạp tải (Erdoğan và cộng sự, 2003, Siegelmann và cộng sự, 1997, Faria và cộng sự, 2003, Hill và cộng sự, 2015, Zameer và cộng sự, 2014, Jayalal và cộng sự, 2014, Eliasi và cộng sự, 2012), lập lịch bảo trì tối ưu (Volkanovski và Cizelj, 2014), nạp tải thùng lưu trữ khô (Spencer và cộng sự, 2018, Spencer và cộng sự, 2019, Bartlett, 1992), đóng gói và xử lý chất thải (Hopper và Turton , 1998), hoặc tối ưu hóa liều (Wang và cộng sự, 2018, kuo Liu và cộng sự, 2014).

Điều khiển & Vận hành An toàn Nhà máy điện hạt nhân

Hệ thống chuyên gia ứng dụng AI có thể là hệ thống cảnh báo, hỗ trợ kiến thức cho các nhân viên vận hành cũng như một công cụ có giá trị để quản lý nhà máy. Nhu cầu tăng biên độ an toàn, tác động môi trường thấp hơn, tăng hiệu suất và mức độ bảo vệ chi phí đầu tư lớn hơn chắc chắn sẽ dẫn đến việc yêu cầu tự động hóa hầu hết các chức năng của các nhà máy điện hạt nhân. Đổi lại, việc tự động hóa sẽ được phát triển nhờ khả năng phát triển hiệu quả các phần mềm cần thiết thông qua việc sử dụng khoa học máy tính hiện đại do các kỹ thuật lập trình AI mang lại. Các cơ quan quản lý và công chúng phải được đảm bảo rằng các nhà máy này được thiết kế đúng, xây dựng đúng, vận hành đúng và bảo trì đúng cách. Trí thông minh nhân tạo AI và hệ thống chuyên gia có thể và phải đóng vai trò chính trong việc cung cấp sự đảm bảo này.

Khám phá vũ trụ

Với sự trợ giúp của AI và Công nghệ hạt nhân, chúng ta có thể khám phá bề mặt bên ngoài của trái đất. Những thành tựu nổi bật nhất là nghiên cứu cấu trúc đất, tìm dấu vết của nước, v.v.

Khử khoáng nước sạch

Liên Hợp Quốc đã ban hành luật về nước sạch, theo đó, sử dụng nước sạch là quyền của tất cả mọi người. Liên Hợp Quốc đã hỗ trợ thúc đẩy việc ứng dụng Trí tuệ nhân tạo kết hợp Công nghệ Hạt nhân để làm sạch các vật liệu độc hại trong nước. Hệ thống vận hành dựa trên AI giúp duy trì lượng khoáng chất tối thiểu có trong nước cũng như loại bỏ các khoáng chất mất vệ sinh khỏi nước.

3. Hoạt động nghiên cứu ứng dụng AI trong Kỹ thuật Hạt nhân tại Bách khoa Hà nội

Xem chi tiết tại đây

Tài liệu tham khảo

Xem chi tiết tại đây

Biên dịch & Tổng hợp: TS. Nguyễn Văn Thái