برنامههای هوش مصنوعی تولید متن مانند ChatGPT برای کارهای روزمره مانند پاسخ دادن به سوالات شناخته شدهاند، اما این تمام کاربرد آنها نیست. این عوامل هوش مصنوعی میتوانند از قدرت تجزیه متن خود برای پیشبرد علم هستهای و کمک به فیزیکدانان بهداشت استفاده کنند، همانطور که تحقیقات زاویه ندوم، دانشجوی فارغالتحصیل مهندسی هستهای نشان میدهد.
مدلهای زبانی بزرگ (LLM) مانند ChatGPT نوعی از هوش مصنوعی هستند که از دادههای نوشتاری برای تولید متن بر اساس پیشبینیها استفاده میکنند. اگرچه LLMها برای بسیاری از حوزهها مانند مهندسی نرمافزار و کمک به تحقیق مفید هستند، استفاده از آنها در علم هستهای کمتر رایج است. این امر تا حدی به این دلیل است که تحقیقات مهندسی هستهای اغلب از دادههای اختصاصی استفاده میکنند که نمیتوان آنها را به طور ایمن در یک LLM عمومی وارد کرد.
ندوم گفت: «وقتی صحبت از علم هستهای میشود، دادههای اختصاصی زیادی وجود دارد و مسائل امنیتی در اشتراکگذاری دادهها وجود دارد. شما نمیتوانید این دانش را به ChatGPT یا Copilot بدهید. اگر چیزی دارید که میتواند در یک سازمان برای خودکارسازی گردش کار استفاده شود، بهرهوری و کارایی را افزایش میدهد.»
ندوم اخیراً مقاله ای در مورد پروژه ای با استفاده از LLM برای علم هسته ای نوشت. عامل هوش مصنوعی که در مقاله ندوم توضیح داده شده است، AutoFLUKA، می تواند به خودکارسازی وظایف در تحقیقات علم هسته ای کمک کند، مانند اجرای شبیه سازی های کامپیوتری در نرم افزاری به نام FLUKA. این برنامه می تواند فایل های ورودی را بگیرد و ویرایش کند، شبیه سازی ها را اجرا کند و سپس نتایج را تجزیه و تحلیل کند و نمودارها را کامل کند.
محققان دیگر می توانند از برنامه ندوم با داده های خود استفاده کنند و با استفاده از داده های اختصاصی که به هیچ وجه به غیر از رایانه مبدا نمی روند، یک پایگاه داده را به طور ایمن ایجاد کنند.
ندوم گفت: «شما به جای خواندن برای استخراج یک پاسخ ساده، می توانید این اطلاعات را بسیار آسان و سریع مرتب کنید. اگر آن اسناد را دارید و برنامه به آن اسناد دسترسی پیدا می کند، می تواند به راحتی پرسش و پاسخ انجام دهد و می توانید از مدل درخواست کنید تا پیشنهاداتی را برای افزایش برنامه خاص خود ارائه دهد.»
برای ساخت AutoFLUKA به عنوان اثبات مفهوم، ندوم مجبور شد با آنچه داشت کار کند. او به کار با Monte Carlo N-Particle (MCNP) دسترسی نداشت، یک کد شبیه سازی کامپیوتری که معمولاً در علم هسته ای استفاده می شود اما همچنین تنظیم می شود. با این حال، FLUKA به اندازه کافی شبیه MCNP است که مدل ندوم می تواند به راحتی برای آن و سایر برنامه های شبیه سازی تکرار شود.
یکی دیگر از چالش های ندوم، انتقال تمرکز تحقیقاتی او به مطالعه عوامل هوش مصنوعی بود. قبل از ورود به تگزاس A&M، او روی فیزیک بهداشت و دزیمتری، یا مطالعه تشعشعات جذب شده توسط بافت زنده، کار می کرد. با این حال، پس از کار با دکتر جان فورد، استاد مهندسی هسته ای که در مورد فیزیک بهداشت تحقیق می کند، ندوم از آن کار برای ارائه مطالعات موردی برای مقاله AutoFLUKA استفاده کرد. او همچنین به راهنمایی های دکتر یانگ لیو، استاد مهندسی هسته ای، مشاور دکترا، و دکتر جیان تائو، استاد کالج عملکرد وابسته به گروه مهندسی هسته ای، در هنگام ساخت این برنامه استناد می کند.
او گفت: «وقتی وارد قلمرو جدیدی می شوید، همیشه چالش برانگیز است، اما به کار خود ادامه می دهید و معتقدید که می توانید چیزی مفید از این کار بسازید. وقتی این تلاش را می کنید، خوب از آب در می آید.»
ندوم، که به عنوان رئیس فصل ایالت تگزاس انجمن فیزیک بهداشت (STC-HPS) خدمت می کند، همچنین امیدوار است این رویکرد را به زمینه اصلی خود یعنی فیزیک بهداشت بازگرداند. در کنفرانس سالانه فصل در ماه اکتبر در دانشگاه تگزاس در آرلینگتون، او سخنرانی در مورد استفاده از LLM ها در فیزیک بهداشت به عنوان دستیاران مجازی برای متخصصان این رشته ارائه داد. او برنامه مقاله خود را در بازیابی اطلاعات از مستندات مربوط به فیزیک بهداشت آزمایش کرد و جستجوی چند ساعته را به چند ثانیه کاهش داد. این می تواند به فیزیکدانان بهداشت مانند افسران ایمنی تشعشع (RSO) کمک کند، که باید در مورد مقررات سالانه دوز تشعشع و عملکرد ماشین های مختلف بدانند.
ندوم گفت: «مرتب کردن این راهنماهای نظارتی برای RSOها می تواند زمان بر و طاقت فرسا باشد.»
ندوم همچنین به عنوان بخشی از یک سری سمینارهای یک ترمه که پاییز گذشته توسط ابتکار تحقیقاتی هوش مصنوعی برای علم و مهندسی تگزاس A&M برگزار شد، سمیناری ارائه داد. او قصد دارد سخنرانی دیگری در مورد این موضوع در کنفرانس دانشجویی STC-HPS در دانشگاه تگزاس A&M در ماه آوریل ارائه دهد، جایی که دانشجویان علوم هسته ای، فیزیک بهداشت و مهندسی از دانشگاه های غیر از تگزاس A&M شرکت خواهند کرد.
او گفت: «آنها می توانند ببینند که چگونه می توانند از این فناوری برای زمینه های تحقیقاتی خاص خود استفاده کنند.»
در حال حاضر، ندوم با توسعه یک برنامه LLM پیچیده که برای پاسخ دادن به سوالات پیچیده و خاص در زمینه تحقیقات علم هسته ای طراحی شده است، تحقیقات خود را پیش می برد. این برنامه اسناد را مرتب و تجزیه و تحلیل می کند و همچنین می تواند اطلاعات را از منابع آنلاین در زمان واقعی ادغام کند. این برنامه می تواند انواع فایل های مختلف از جمله PDF، تصاویر و صفحات گسترده را بخواند و پردازش کند و پشتیبانی جامعی را برای وظایف تحقیقاتی ارائه دهد. این توانایی ها به برنامه اجازه می دهد تا پاسخ ها و بینش های دقیقی را ارائه دهد تا تحقیقات علم هسته ای کارآمدتر شود.
ندوم گفت: «این قلمرو جدیدی است و بررسی آن در علم هسته ای واقعاً مهم است. من به کار خود ادامه خواهم داد تا ببینم چه چیزی می توانیم با این دانش بسازیم.»
لیو، که به عنوان مدیر گروه یادگیری ماشینی علمی برای فناوری های پیشرفته راکتور (SMART) خدمت می کند، معتقد است که کار زاویه بر جامعه مهندسی هسته ای گسترده تر تأثیر خواهد گذاشت.
لیو گفت: «LLMها تمرکز تحقیقاتی گروه ما هستند و ما خوش شانس هستیم که زاویه مرزهای کاربرد آن را در علم هسته ای جابجا می کند. رویکرد نوآورانه او در ادغام هوش مصنوعی در تحقیقات هسته ای دقیقاً همان نوع ذهنیت آینده نگر است که در این زمینه به آن نیاز داریم. توانایی استفاده از هوش مصنوعی برای اتوماسیون ایمن و خاص دامنه، یک تغییر دهنده بازی است و مشارکت های زاویه راه را برای پیشرفت های کارآمدتر و مبتنی بر داده در مدل سازی راکتور، فیزیک بهداشت و ایمنی هسته ای هموار می کند.»