神劇《切爾諾貝利》引起的技術思考：如何避免下一次核災難？

https://mp.weixin.qq.com/s/4wEi_U6zvZ2iD3UTJhOjhA

By 超神經

場景描述：美劇《切爾諾貝利》的熱播，讓觀衆再次感覺了核事故的恐懼。經過將工智能技術應在覈防禦和核安全上面，會帶來卓有成效的收穫，也許，合理的利用人工智能「約束」核能的利用，纔會更大的發揮資源的價值。

關鍵詞：核能發電  核防禦  圖像處理  分佈模型

關聯數據集：Sun-Hays 80 超分辨率數據集（311.01 M ），由布朗大學發佈，文末有詳細介紹和下載地址。

《權遊》終於在崩壞式的劇情裏草草收尾，一代神劇落得如此結局，難免讓人唏噓。但 HBO 並無給觀衆太多緩神的機會，另外一部神劇，又出如今人們的視野裏。

最近大熱的美劇《切爾諾貝利》，才更新到第三集（總五集），就已經在各大評分網站上，被評出完美的分數，迅速成爲萬人追捧的神劇。

HBO 最新出品的美劇「切爾諾貝利」海報

拋開製做上的優勢，它能如此火爆的一個緣由，還在於切爾諾貝利核事件自己的話題性，由於它承載了災難級核事故的記憶。

切爾諾貝利核電站事故於 1986 年 4 月 26 日發生在烏克蘭的北部，當時的烏克蘭還隸屬於蘇聯。

當天，該電站第 4 發電機組爆炸，核反應堆所有炸燬，大量放射性物質泄漏，成爲核電時代以來最大的事故（七級）。輻射危害嚴重，致使事故先後 3 個月內有 31 人死亡，以後 15 年內有 6-8 萬人死亡，13.4 萬人遭受各類程度的輻射疾病折磨。

在覈電工業中，人工智能有沒有辦法進行安全防禦呢？

高效 or 安全，歷來都不是選擇題

嚴重的核電廠事故，形成了巨大的災難。但核能做爲世界上重要能源之一，仍是吸引着人們去探索它的發展。

核能最吸引人的地方，在於它擁有驚人的能量：一千克的鈾-235（經常使用的核燃料），裂變釋放出的能量，至關於 2700 噸煤燃燒放出的能量。

世界上核電廠分佈（ 2016 ）
藍色：運做中，紫色：下線，紅色：關閉，灰色：建設中

但能量越大，不可控性也越大，一旦脫繮，形成的破壞也就越大。

而在以往的事故中，人爲操做不當的誘因佔了很大一部分。因此，如何用技術實現更安全的核能利用，纔是最亟待解決的問題。

引入自動化部署，甚至是人工智能的相關方案，在維護設備生產安全，以及安全監測方面，有機會讓核能成爲更溫順的野馬。

防禦層裂縫早發現：機器視覺

美國是世界上最大的商業核電供應國，提供約 20％ 的電能。但在 1952 年至 2010 年間，美國發生了 56 起不一樣程度的事件，其中有19起與防禦層破裂或故障泄漏有關。爲了做出補救，耗資達到 20 億美圓。

那些本該堅實的防禦部件，之內老化等緣由，出現了功能損失和安全損傷，其中包括開裂，疲勞，脆化，磨損，腐蝕，氧化等。這就爲安全蒙上了一層陰影。

爲了解決這個問題。Purdue 大學的一個研究團隊，開發出了一個 CRAQ（裂縫識別和量化）系統。

該系統將圖形處理與深度學習相結合，利用對防禦層視頻的分析，識別出金屬紋理的變化，以預測和鎖定裂縫的問題。

檢測模型的流程圖

核反應堆一般須要浸沒在水中，以維持冷卻，並且因爲高溫和輻射等因素，不能直接手動檢查反應堆的部件。智能經過遠程錄製的水下反應堆表面視頻，來發現裂縫。

但純人工的審查，工做量大並且容易出現紕漏，爲了開發出高效的檢測系統，研究人員收集了內部核電廠組件的 20 個水下標本的視頻。以每秒 30 幀的速度掃描樣本，利用卷積神經網絡檢查每一個幀的裂縫。

算法觀察到從一幀到下一幀的裂縫，可以解釋因爲移動的相機而改變的配置，精肯定位裂縫的位置。該算法模擬了人類視覺從不一樣角度仔細檢查裂縫的能力，並且能避免拍攝光線形成的影響。

模型檢測出的裂縫，黃色爲微小裂縫的放大圖

該方法還使用包含大約 300,000 個裂縫和非裂縫的數據集來檢測模型。試驗代表，CRAQ 系統在追蹤裂縫方面的成功率爲 98.3％。

輻射物的分佈，用模型來預測

核電廠能投入生產，仍是作過層層安全把關的，但意外因素致使的危險發生時，除了管理層要想辦法解決應對以外，還有一個重要的方面，就是及時合理的安排人羣的撤離。

世界上另外一個被定爲七級的核事故，是 2011 年日本福島的核電站災難。爲了讓此類事件形成的額影響儘量小，在應對核泄漏事件上，機器學習等相關技術，也被用來幫助撤離。

2018年7月，東京大學的研究人員，開發了一套基於機器學習的工具，用於預測放射性物質的地域分佈。

當發生核電廠事故並釋放放射性物質時，儘快疏散附近居民相當重要。然而，很難當即預測泄露的放射性物質將在何處沉降，從而沒法避免人羣的暴露在危險中。

這個研究團隊，經過氣象模擬標記的近地面風況數據集，訓練了機器學習模型，可以經過算法，預測出放射性物質將在哪裏分發，同時預測出傳播的路徑等。

2011 年放射性物實際分佈，以及用模型計算結果，有很好的準確性

在用歷史天氣模式數據進行訓練後，該工具始終實現超過 85％ 的預測準確性，冬季或可預測天氣占主導地位時，準確率達到 95％。而且還證實了，模型可以提早 33 小時做出準確判斷。

此係統能夠幫助在覈泄漏事故發生後當即撤離。以便更好地在災難發生時，做出積極的對策。

人工智能讓核能更安全

馬一龍曾經在某次談話中說過，「AI 比核武器危險得多」。

當下關於 AI 在覈能方面的利用，聚焦點不在防禦或者安全檢測上，而是更多被放在了 AI 會致使的危險上。

誠然，若被用於武器研究等方面，AI 勢必會帶來嚴重的威脅。但不要忘了，目前這個階段裏，技術被用於什麼地方，還徹底是人類的責任。

英國國家核機器人中心研發的處理核廢料的機器人

英國曾報道過，利用 AI 和機器人幫助清理核電廠廢料的收集和處理，這項會危及人類的工做，使用新的技術，就能輕鬆地解決。這和 AI 在覈防禦方面的努力都同樣，都是在爲人們利用核能打造定心丸。

也許，只要用對了地方，AI 就能約束住核能，守護好咱們的地球家園。

超神經數據集

超神經HyperAI 蒐集並整理全球數百個公開數據集，並提供國內鏡像下載，對科研機構和開發者們提供免費服務。

Sun-Hays 80 數據集：

Sun-Hays 80 數據集是一個用於超分辨率研究的圖像數據集。

全部者使用全局場景描述符和 Internet 規模的圖像數據庫來查找相似的場景，這些場景提供了理想的示例紋理來約束圖像上採樣問題。

該數據集於 2012 年由布朗大學發佈，大小爲 311.01 MB，相關論文：Super-resolution from Internet-scale Scene Matching。

更多有關圖像處理數據集，請訪問 https://hyper.ai 下載。