Utilisation de l’IA générateur de texte pour alimenter la recherche nucléaire

Les programmes d’IA générateurs de texte comme Chatgpt sont connus pour les tâches quotidiennes comme répondre aux questions, mais ce n’est pas tout ce qu’ils sont bon. Ces agents de l’IA peuvent utiliser leurs pouvoirs payants pour aider à davantage les sciences nucléaires et aider les physiciens de la santé, comme le montrent les recherches de l’étudiant diplômé nucléaire, Zavier Ndum.

Les modèles à grande langue (LLM) comme Chatgpt sont une forme d’intelligence artificielle qui utilise des données écrites pour générer du texte basé sur des prédictions. Bien que les LLM sont utiles pour de nombreux domaines, comme génie logiciel et l’aide de la recherche, leur utilisation dans science nucléaire est moins courant. Cela est en partie dû au fait que la recherche en génie nucléaire utilise souvent des données propriétaires qui ne peuvent pas être intégrées en toute sécurité dans un LLM général.

« En ce qui concerne la science nucléaire, il y a beaucoup de données propriétaires et il y a des problèmes de sécurité avec le partage des données », a déclaré NDUM. « Vous ne pouvez pas simplement donner ces connaissances à ChatGpt ou Copilot. Si vous avez quelque chose qui peut être utilisé au sein d’une organisation pour automatiser les workflows, cela augmente la productivité et l’efficacité. »

Ndum récemment a écrit un article sur un projet utilisant un LLM pour la science nucléaire. L’agent d’IA décrit dans l’article de NDUM, Autofluka, peut aider à automatiser les tâches dans la recherche en sciences nucléaires, comme la course à pied simulations informatiques dans un logiciel appelé Fluka. L’application peut prendre et modifier des fichiers d’entrée, exécuter des simulations, puis analyser les résultats, complété avec des graphiques de tracé.

D’autres chercheurs peuvent utiliser l’application de NDUM avec leurs propres données, en créant en toute sécurité une base de données à l’aide de données propriétaires qui ne vont nulle part ailleurs que l’ordinateur d’origine.

« Vous pouvez trier ces informations très facilement et très rapidement, au lieu de lire pour extraire une réponse simple », a déclaré Ndum. « Si vous avez ces documents et que vous avez accédé à l’application à ces documents, il peut facilement faire des questions et réponses, et vous pouvez inviter le modèle à vous donner des suggestions pour augmenter votre application spécifique. »

Pour construire Autofluka comme preuve de concept, NDUM a dû travailler avec ce qu’il avait. Il n’avait pas accès au travail avec Monte Carlo N-particules (MCNP), un code de simulation informatique couramment utilisé dans la science nucléaire mais qui est également réglementé. Cependant, Fluka est suffisamment similaire à MCNP que le modèle de NDUM peut être facilement reproduit pour l’informatique et d’autres programmes de simulation.

Un autre défi pour NDUM a été de transmettre son objectif de recherche sur l’étude des agents de l’IA. Avant d’arriver à Texas A&M, il a travaillé sur la physique de la santé et la dosimétrie, ou l’étude des rayonnements absorbés par les tissus vivants. Cependant, après avoir travaillé avec le Dr John Ford, professeur d’ingénierie nucléaire qui fait des recherches sur la physique de la santé, NDUM a utilisé ce travail pour fournir des études de cas pour le document Autofluka. Il cite également les conseils du professeur d’ingénierie nucléaire, le Dr Yang Liu, son doctorat. Conseiller, et le Dr Jian Tao, un professeur du College of Performance affilié au Département de génie nucléaire, tout en construisant la demande.

« Lorsque vous entrez dans un nouveau territoire, c’est toujours difficile, mais vous continuez à travailler et vous croyez qu’il y a quelque chose d’utile que vous pouvez faire », a-t-il déclaré. « Lorsque vous faites cet effort, il s’avère bien. »

NDUM, qui est président de la section de l’État du Texas de la Health Physics Society (STC-HPS), espère également ramener cette approche à son domaine d’origine de la physique de la santé. Lors de la conférence annuelle de la section en octobre à l’Université du Texas à Arlington, il a présenté une conférence sur l’utilisation des LLM en physique de la santé pour servir d’assistants virtuels aux professionnels dans le domaine. Il a testé l’application de son article sur la récupération des informations de la documentation liée à la physique de la santé, réduisant une recherche de plusieurs heures en quelques secondes. Cela peut aider les physiciens de la santé comme les agents de radiothérapie (ORS), qui doivent connaître les réglementations annuelles de la dose de rayonnement et le fonctionnement de diverses machines.

« Le trier ces guides réglementaires pour les RSO pourrait prendre du temps et de façon pénible », a déclaré Ndum.

NDUM a également présenté un séminaire dans le cadre d’une série d’un semestre l’automne dernier animée par la recherche de Texas A&M dans l’intelligence artificielle pour la science et l’ingénierie. Il prévoit de présenter un autre discours sur ce sujet à la STC-HPS Student Conference à la Texas A&M University en avril, où les étudiants en sciences nucléaires, en physique de la santé et en génie des universités autres que Texas A&M assisteront.

« Ils peuvent voir comment exploiter cette technologie dans leurs propres domaines de recherche spécifiques », a-t-il déclaré.

Actuellement, NDUM fait progresser ses recherches en développant une application LLM sophistiquée conçue pour répondre aux questions complexes et spécifiques au domaine dans la recherche en science nucléaire. Cette application trie et analyse les documents, et il peut également intégrer les informations provenant de sources en ligne en temps réel. Il peut lire et traiter plusieurs types de fichiers, y compris les PDF, les images et les feuilles de calcul, offrant un support complet pour les tâches de recherche. Ces capacités permettent à l’application de fournir des réponses et des informations nuancées pour rendre la recherche en science nucléaire plus efficace.

« Il s’agit d’un nouveau territoire, et l’explorer dans la science nucléaire est vraiment important », a déclaré NDUM. « Je vais continuer à travailler pour voir ce que nous pouvons construire avec ces connaissances. »

Liu, qui est directeur du groupe Scientific Machine Learning for Advanced Reactor Technologies (SMART), estime que le travail de Zavier aura un impact sur la communauté de l’ingénierie nucléaire plus large.

« Les LLM sont un objectif de recherche de notre groupe, et nous avons la chance que Zavier repousse les limites de son application en science nucléaire », a déclaré Liu. « Son approche innovante de l’intégration de l’IA dans la recherche nucléaire est exactement le type de mentalité avant-gardiste dont nous avons besoin dans ce domaine. La capacité de tirer parti de l’IA pour l’automatisation sécurisée et spécifique au domaine est un changement de jeu, et les contributions de Zavier ouvrent la voie à des progrès plus efficaces et axés sur les données dans la modélisation des réacteurs, la physique de la santé et la sécurité nucléaire. »