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 trong lĩnh vực xạ trị (RTs) phát triển tập hợp kỹ năng rộng hơn. Hơn nữa, việc tích hợp AI vào quy trình điều trị lâm sàng ngày càng được chú trọng. Gần đây, Hãng thiết bị xạ trị Varian (Varian Oncology Systems, Palo Alto, CA) đã giới thiệu giải pháp hệ thống ETHOSTM hỗ 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, sản phẩm 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 AI và ML trong chương trình giảng dạy.
Lĩnh vực an toàn hạt nhân
Bảo vệ an toàn bức xạ hạt nhân là một trong những trụ cột cơ bản của 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.
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, hiệu chỉnh mức trôi, độ bất định dữ liệu và chồng chập. Các ứng dụng khác được tiến hành nghiên cứu ở mức độ hạn chế bao gồm độ ổn định và phân rã hạt nhân, phương pháp SVM để phát hiện dị thường từ các đường cong nhiệt phát quang (TLD), mã hóa tín hiệu bức xạ, xạ trị. 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 dựa trên lựa chọn đồng vị phóng xạ chuẩn ANSI N42.34, phân loại đồng vị phóng xạ độc lập, pha trộn các nguyên tố, và hoạt độ riêng của đồng vị phóng xạ xuất hiện tự nhiên (NORMs) 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 và tính toán liều lượng neutron 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 ML 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 ML để cải thiện hiệu năng cũng như giải quyết các thách thức nêu trên. Phương pháp phân cụm để phân loại radioxenon, mạng nơ-ron cho plutonium được che chắn, phân loại hợp chất quặng uranium, phân loại nhiên liệu đã sử dụng nhóm để giảm bớt các thủ tục thanh sát hạt nhân và phương pháp phát hiện SNM sử dụng các phương pháp ML khác nhau như: hệ logic mờ, các thuật toán tiến hóa, quá trình Gaussian, naïve Bayes. Phần mềm phân tích đầu dò Gamma (GADRAS) 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. 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 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. Một số nghiên cứu đáng chú ý ở đây gồm, đặc điểm ô nhiễm Ra-226 và phân bố; và quan trắc khắc phục ô nhiễm, 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 ML khác nhau, dự đoán về phân bố bụi phóng xạ trong không gian tại địa điểm Chernobyl, sự phù hợp của mạng nơ-ron đối với tỷ lệ hoạt độ của uranium trong quang phổ môi trường, 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… là một số các lĩnh vực đã cho thấy lợi ích tiềm năng của phương pháp ML. Các công nghệ khác như Internet of Things (IoT) cũng đang được nghiên cứu ứng dụng trong lĩnh vực quan trắc môi trường.
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”. 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). 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 ML 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, lập lịch bảo trì tối ưu, nạp tải thùng lưu trữ khô, đóng gói và xử lý chất thải, hoặc tối ưu hóa liều.
Điều khiển và 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. AI và hệ thống chuyên gia có thể và phải đóng vai trò chính trong việc cung cấp sự đảm bảo này.