美国能源部同位素计划(DOE IP)正处于应用人工智能工具的早期阶段，包括机器学习(ML)和机器人技术，以解决其研究和同位素生产活动中的挑战。DOE IP正在保持一种渐进的研发态势，人工智能工具可能在未来的活动中发挥不可或缺的作用。
美国能源部同位素计划
人工智能同位素研发和生产研讨会报告（2023年1月）
内容摘要
美国能源部同位素计划(DOE IP)于2022年3月17日和4月14日举办了一场关于同位素研发和生产的人工智能(AI)虚拟研讨会。研讨会的目的是让DOE IP进一步了解将人工智能纳入其活动的潜在作用和后续机会。研讨会汇集了来自人工智能和同位素科学界的80多名参与者。与会者通过全体会议、闪电会议和分组讨论提出意见。所有讨论的主要焦点都与同位素的生产和加工有关。然而，同位素富集、劳动力发展和供应链管理也进行了讨论。本报告记录了研讨会上提出和讨论的信息。
2022年人工智能同位素研发和生产研讨会详细讨论了计划和正在进行的研究和开发工作。与会者对人工智能在DOE IP任务领域的发展充满热情。演讲和圆桌讨论强调了人工智能如果得到培育并充分发挥其潜力所能带来的好处。他们还强调了人工智能可用于同位素生产和同位素生产科学的领域。如今，DOE IP资助的研究人员正在探索使用科学机器学习，通过将专家知识与高效优化算法相结合来构建预测模型。这些最先进的预测模型有望实现实验活动的有效设计、同位素处理操作的实时监测、核反应堆和粒子加速器的同位素生产核目标设计的优化、以及辐射和同位素浓缩系统的增强操作，所有这些都有助于对国家至关重要的同位素的更强大供应。目前正在探索机器人系统用于远程处理放射性物质和重复任务的自动化，从而提高人员的安全和操作的可靠性。然而，这些例子只代表了人工智能工具充分应对同位素领域挑战的一小部分。研讨会期间出现了两个主要主题，即DOE IP应该将其活动重点放在人工智能方面，以实现最大的影响:智能知识库(主题一)和自主物理系统(主题二)。这些领域代表了人工智能生态系统所需的两大支柱，该生态系统可大大加速同位素制造方面的科技突破，并促进其快速转化为常规实施。成熟时，智能知识库能够通过自然语言与人类进行交互。他们可以通过考虑异构和稀疏的数据进行推断。它们可以有力地回答各种主题的问题(例如，最佳同位素生产和处理路径)。完全实现的自主物理系统是能够在现实世界中完成任务的自动驾驶实体。它们可以通过自然语言接受人类的指令，到达目的地，并确定必要的路线。在同位素制造的情况下，目标可能是合成满足可制造性、可扩展性和成分标准的新分离材料。通过人工智能，这两个领域共同实现了一种新的范式，在这种范式中，同位素科学和技术的发展得到了极大的加速，并在常规生产中得到了有力的实施，从而使美国能够更好地满足新兴的同位素需求。智能知识库和自主物理系统这两个主题非常广泛，涵盖了将人工智能纳入DOE IP任务领域的大量机会。每个项目的初始构建模块都可以通过现有的DOE IP规划方法来构建，包括现有的研究和开发项目的定期资助机会。随着每个项目的成熟，在数据格式和可用性、基准数据集、共享多物理场模型和协调数据创建活动等领域协调项目的必要性将会增加。受到有关努力启发的一个建议办法是，建立一个或几个较大的总项目。这种方法将确保高水平的协调，并确保结果数据、技术和工具尽可能可用。本报告总结了2022年3月17日至4月14日举行的DOE IP资助的同位素研发和生产人工智能研讨会的成果。研讨会的目的是让DOE IP进一步了解将人工智能纳入同位素研发和生产活动的潜在作用和后续机会。研讨会汇集了来自人工智能和同位素界的专家，相互学习和讨论。来自学术界、联邦研究机构和联邦机构的83名与会者参加了研讨会。讲习班的目标是:目标1、促进并加速人工智能与DOE IP研发和同位素生产活动的整合目标2、确定人工智能解决同位素研发和生产领域挑战的引人注目的机会目标3、提高同位素和人工智能社区对彼此最先进技术的相互认识，促进建立多样化和跨学科的团队。本次研讨会没有探讨人工智能在同位素应用方面的应用，而是侧重于人工智能在同位素生产和与同位素制造直接相关的研发方面的应用。近年来，对放射性和稳定同位素的需求急剧增加。DOE
IP为国家生产和分配短缺的关键同位素，是世界领先的同位素生产能力的管理者，保持尖端的研究和开发计划，并支持同位素劳动力的发展。DOE IP同位素制造活动以及与之相关的新型和改进同位素制造方法的研发可以从人工智能的采用和应用中受益匪浅。尽管人工智能工具已经在美DOE IP中得到利用，但人工智能工具的利用率仍有很大的提高空间。人工智能涵盖了一个广泛的主题领域，专注于能够执行涉及感知、推理、互动和学习的任务的人工系统的理论和发展。近年来，人工智能的基础和应用都出现了巨大的创新。由于已经实现的成功数量迅速增长，以及人工智能对社会产生积极影响的更大潜力，人工智能已经无处不在。最先进的人工智能工具越来越能够处理复杂的任务，并被广泛应用于一系列问题。研讨会向本科生和研究生、博士后研究人员、大学教师、国家实验室工作人员和联邦雇员开放。共有104人报名参加研讨会。在这104名注册机构中，83名注册机构至少参加了一天的研讨会，38名注册机构参加了两天的研讨会。注册者被要求提供他们在同位素研发和生产以及人工智能方面的经验水平。表1提供了这些调查的结果。登记人也被要求提供他们的工作类型。表2给出了结果。请注意，“其他”的回答是由3名ORISE员工和2名非教师的大学员工给出的。总的来说，参与情况与对研讨会的期望是一致的。希望有相当一部分在同位素研发和生产或人工智能方面几乎没有经验的与会者参加。这表明研讨会成功地将两个社区联系在一起。
快速演讲是研讨会与会者参与讨论和作出贡献的多种途径之一。每次快速演讲都讨论了DOE IP任务领域中当前涉及或可能涉及人工智能的一个领域(机器学习、神经网络、计算机视觉、机器人、自然语言处理等)。几场快速演讲还讨论了如何将人工智能应用于其他科学技术领域的经验教训转化为DOE IP任务领域。每次快速演讲限制在五分钟内，允许一张幻灯片。共有14个人提交了16个快速演讲。所有这些都在研讨会上进行了介绍。表3列出了快速演讲的主讲人、他们的机构和头衔。
| | |
| | |
| | |
| | |
| | ORNL稳定同位素生产:电磁同位素分离(EMIS) |
| | |
| | 人工智能如何使用药物开发过程中的数据来预测未来的同位素需求? |
| | 人工智能/预测分析，以确定需求和分配DOE IP资源 |
| | |
| | |
| | |
| | |
| | |
| | 提高分离方法开发效率:将传感器负载流体与AI/ML相结合 |
| | |
| | |
| | |
研讨会的第二天同时举行了三个分组会议。分组会议参与者列表如下。每个分组会话都以相同的提示开始。o Kristian Myhre(主持人)，DOE同位素项目o Tracey Vieser(技术支持)，ORISEo Justin Griswold，橡树岭国家实验室o Jasmine Hatcher-Lamarre，布鲁克海文国家实验室o Etienne Vermeulen，洛斯阿拉莫斯国家实验室o Karl Mueller, 太平洋西北国家实验室o Andrew Voyles，加州大学伯克利分校/劳伦斯伯克利分校国家实验室o Draguna Vrabie(主持人)，太平洋西北国家实验室o Laura Hammons(技术支持)，ORISEo Ellen O’Brien，洛斯阿拉莫斯国家实验室o Hunter Andrews，橡树岭国家实验室o Jeongseog Song，美国阿贡国家实验室o Arne Freyberger(主持人)，DOE同位素项目o Nathan Murray(技术支持)，ORISEo Lee Bernstein，加州大学伯克利分校/劳伦斯伯克利国家实验室o Jerry Nolen, Argonne国家实验室o Lauren McIntosh，德克萨斯农工大学放射性同位素的产生是通过将一个原子核转化为另一个不稳定的原子核而发生的。这种嬗变可能是放射性衰变或粒子照射目标的结果，目标本身可能是放射性的。同位素生产目标可能被中性粒子(如中子、光子)或带电粒子(如质子、氘核、α)轰击，这些粒子的能量范围很广。同位素生产靶区科学技术的突破可以提高同位素产量，并最大限度地减少常规生产过程中的靶区失效。在靶可制造性、安全认证时间表、辐照后物理和化学处理的便利性以及其他好处方面的改进也是可能的。深入了解核反应，包括初级和次级反应的截面，是放射性同位素生产的关键。涉及截面研究的数据分析是一个特别具有挑战性的领域，人工智能技术——尤其是神经网络和科学机器学习（ML）——非常适合解决这个问题。大型辐射探测系统，如安装在阿贡国家实验室ATLAS(阿贡串列直线加速器系统)装置的伽玛球，可以用于在辐照研究期间收集大量数据。这些数据可能包括一千多条伽玛线和数倍于此的光谱。通过传统的非人工智能方法，一天收集的数据可能需要几个月的时间来处理。然而，人工智能可以大大减少处理数据所需的时间，从而实现实时或接近实时的分析。这为指导实验测量打开了令人兴奋的机会之门?；餮盎箍梢杂糜谠銮亢耸萜拦?，从而填补知识空白，通过人工智能增强预测模型。受物理启发或领域感知的ML模型有望提高AI模型对辐射特征归因的准确性，例如伽玛光谱。德克萨斯农工大学正在探索这一概念，以帮助鉴定辐照样品中产生的同位素。受物理启发的ML方法有望降低检测极限，并能够准确地识别噪声辐射特征。加州大学伯克利分校、劳伦斯伯克利国家实验室、布鲁克海文国家实验室和洛斯阿拉莫斯国家实验室的一组研究人员正在将ML技术(如k近邻、支持向量机和随机森林)应用于核数据评估。核数据评估的标准过程存在人为偏差和很大的不确定性。没有明确的方法来组合来自现有各种库的核数据。然而，人工智能工具可以将这些稀疏和不同的数据集组合在模型中，这些模型是通过迭代的支持ML的过程构建的，这些过程能够同时考虑和协调大量数据。该团队已经用中子截面探索了这种方法，并获得了有希望的结果。设计同位素生产靶的过程必须考虑许多因素。一个特别重要的因素是热负荷。辐照过程中冷却不当会导致靶材翘曲和降解，甚至靶材系统完全失效。后者必须避免，因为它会给人员带来安全风险，并损坏设施和设备。许多高优先级同位素的生产受到靶在失败前所能承受的最大功率的限制。靶冷却系统是关键。LANL正在利用ML快速处理视频数据集，以构建计算流体动力学模型，准确描述辐照过程中靶的水冷却。最终目标是能够预测靶在导致高热负荷的强辐照条件下的行为。这反过来又将允许改进靶设计，以承受最大的光束电流，从而用于生产更大量的放射性同位素。人工智能工具也可用于其他靶设计和制造领域。多物理场模型可以通过同位素含量、材料类型和几何形状等参数的变化，推动同位素产量和热性能的共同优化。在整个辐照过程中，许多参数的调整是必要的。在某些情况下，这种调整必须连续进行，并且在系统和参数优化器之间以高反馈速率进行，这在历史上是一个人工或简单的基于反馈的控制器。人工智能工具有望更有效地实现这一目标。随着这一领域的成熟，数字孪生和人工智能在边缘的应用将变得越来越有影响力和重要。数字孪生体是物理系统的虚拟表达，将接收来自一系列传感器的实时数据，这些传感器能够对系统进行特殊控制，以优化提高同位素产量。实际上，这可以通过在照射过程中将粒子束最优和精确地放置在靶上来实现。此外，这些人工智能驱动的数字和物理孪生体配对可以通过预测性维护增加操作时间。机器人系统对于远程处理高放射性物质(如新辐照的靶)具有很高的兴趣。在许多情况下，必须在加速器或反应堆区域和最终处理区域之间运输高放射性辐照靶。这种运输既可以发生在建筑物内部，也可以发生在建筑物之间。这些任务的机器人系统的日常实现可以通过编程来完成。当非常规场景和非理想条件必须得到解决时，人工智能的好处就会显现出来。在这种情况下，人工智能可以用来训练机器人系统做出独立的决定，例如，对卡住的靶或意外的高辐射场做出适当的反应。ANL正在探索使用基于机器人操作系统的商用机器人平台，将两个机械臂与?？赝瞥导稍谝黄?。阿贡国家实验室的团队目前正在利用增强现实操作界面来控制机器人，但正在朝着自动化系统的方向发展。数字孪生模拟计划用于训练具有真实合成数据的机器人系统。这种方法的一个令人兴奋的可能性是其广泛的适用性，可以减少这些系统的训练时间，并在最初设计时没有考虑到机器人操作的设施中进行操作。放射性物质的物理和化学处理是放射性同位素制造的一个关键方面。通过靶物的辐照或母体放射性同位素的衰变而产生的放射性同位素通?；岵街只蛄街忠陨匣г氐幕旌衔?。这些放射性物质通常需要在化学处理之前进行某种程度的物理处理，如切割或研磨。分离、纯化和放射化学合成是产生所需最终形式的化学纯同位素所必需的。这些加工技术及其基础材料的发现和成熟需要耗费时间和资源。此外，紧急放射性同位素需求的通用时间表需要将处理技术快速转化为常规和可靠的大规模实施。除了达到最终产品规格外，加工技术也必须是高效和安全的。人工智能工具提供了从发现阶段到常规实施阶段显著改进放射性同位素处理的独特前景。分离材料的分子结构可能需要数十年的详细研究才能发现和开发实用的合成途径。解决这个问题的一个有希望的方法是高通量实验(HTE)。由于现成的自动化实验系统的广泛可用性，HTE越来越普遍，这些系统可以在单位时间内运行更多数量级的实验。通过人工智能增强HTE可以使系统走向自主，自动驾驶能力，真正利用HTE和其他自动化实验能力。此外，人工智能可以将建模和仿真与物理实验活动结合到决策过程中。太平洋西北国家实验室的储能材料计划就是一个例子，该项目将HTE与人工智能相结合，实现自主发现。虽然ESMI专注于电解质和其他储能材料，但这些概念可以转化为DOE IP任务领域。色谱树脂等分离材料的发现是一个将极大受益于人工智能自主HTE平台的领域的例子。洛斯阿拉莫斯国家实验室已经开始将这一概念应用于基于溶剂萃取分离镧系元素和锕系元素的配体的开发。这是同位素处理的一个重要主题领域，技术方法可以扩展到其他分离(例如，过渡金属)和/或技术(例如，离子交换、萃取色谱、沉淀)。分离和纯化方法一旦开发出来，就必须进行规模化和常规操作。流程的扩展可能很长，而且需要大量资源。人工智能工具再次提供了独特的前景，可以在减少资源需求的情况下实现更快速的处理规模。例如，人工智能模型可以从异构数据(如工作台和生产规模测试)中构建。然后可以利用人工智能技术在两者之间建立联系，并改进设计和选择实验规模测试，这些测试将在扩大规模期间最适当地转化。人工智能工具还可用于实时监测放射性同位素处理活动，以提高过程可靠性。正如橡树岭国家实验室（ORNL）正在考虑的那样，传感器系统的校准甚至可以利用人工智能以自主的方式进行。这将大大减少将一种新的放射性同位素投入常规生产所需的时间和资源。对于精通利用人工智能来解决科学和技术挑战的同位素工作人员来说，这是一个巨大的需求。这将需要对学生以及职业生涯早期、中期和后期的工作人员进行培训。这是其他领域面临的类似机会，这些领域继续整合和利用最先进的人工智能工具和技术。DOE IP在同位素富集科学和技术领域的研究投资培养了对确保国家安全和繁荣至关重要的核心竞争力。材料的同位素组成对于确定材料的用途至关重要。例如，许多同位素生产靶都需要同位素富集材料，以减少可能阻碍最终用途应用的不良副产物的生产。同位素富集涉及将同一元素的两种或两种以上的同位素相互分离。这些同位素中的一种或多种可能具有放射性。DOE IP投入了大量资源重建国内电磁同位素分离(EMIS)和气态离心同位素分离(GCIS)能力，以生产各种关键稳定同位素，并投资于适度的放射性EMIS能力。除EMIS或GCIS以外的富集技术也引起了DOE IP的兴趣。在常规生产新的富集同位素之前，需要进行密集和集中的研究活动。正在解决的挑战领域包括富集技术的能源和原料效率以及富集同位素的最终回收。人工智能有可能显著提高同位素富集装置的操作效率。EMIS、GCIS和其他类型的富集设备具有许多参数，必须对其进行调优以获得最佳性能。示例参数包括离子束光学以及电源电压和电流，尽管存在许多其他参数。由于这些参数的量和频繁的相互依赖性，将这些参数调整到最佳值的过程是密集的。同时，大量传感器和仪器读数为使用人工智能工具进行实时自主优化提供了机会。ORNL已经开始考虑这一点，这可能最终导致在相同的同位素产量下减少操作时间。此外，由于富集装置的精确自主控制，可以实现提高一致性，以优化生产收率，纯度和/或其他关键指标。这将特别有助于解决设备组件退化对哪个参数级别是最优的影响。通过增强对降解效应的补偿能力，甚至可以延长元件的使用寿命。由于存在大量可用于训练人工智能系统的EMIS操作数据，因此有机会在这一领域实现短期收益。在生产周期的前端和后端，选择合适的材料形式是EMIS设备经常面临的挑战。EMIS原料的性能对实现原料的高效利用至关重要。在富集循环的后端，同位素收集器必须设计成能够通过化学处理方便地回收富集的同位素?？焖俳饩稣庖涣煊蜓蟹⒛烟獾娜斯ぶ悄芙饩龇桨赣胪凰厣屯凰卮矸矫娴慕饩龇桨妇哂泄餐?。机构知识的维护是一个项目最重要的活动之一。无论是通过专家还是通过文件，机构知识都必须易于获取，并经过精心整理，以便在未来有效地应用。人工智能工具可以用来获取和总结机构知识。自然语言处理模型可以从文档(包括过程和协议)中提取关键知识，从而维护所包含的知识。然后，人工智能可以自动生成所有信息的详细摘要，几乎没有赘词。同位素需求预测是规划生产计划和指导扩大现有或建立新的同位素生产能力的关键。但是，即使是在未来几年内，同位素的准确水平也很难估计。对于某些同位素来说，人工智能技术或许可以解决这一难题。就用于放射性药物的放射性同位素而言，有大量信息可以利用人工智能工具进行调查，以预测未来的同位素需求水平。人工智能引导的数据采集的潜在公共数据来源包括学术出版物、会议记录和摘要、新闻稿、核管理委员会许可证申请和修订、食品药品管理局申请和公告以及证券交易委员会备案。其他同位素应用领域可能也有类似的数据，可用于利用人工智能工具预测同位素需求，但与其他领域相比，医疗应用领域的数据源预计会更丰富。同位素由多个设施制造，每个设施都有独特的能力和运行特点。加深对它们的了解并将其整合起来，就能更有力地应对突发的同位素需求。人工智能驱动的制造数字孪生是现实世界制造能力的虚拟复制品，具有独特的前景。制造数字孪生的保真度和详细程度可根据具体需求和可用资源进行改变。如果有必要或需要，甚至可以使用异质模型，从而平衡性能与资源。然后，人工智能工具会驱动数字孪生模型来预测最佳系统运行，并可用于准确预测不同情景会产生的影响。
来源 | 槟榔郭微信公众号
编译 | ?槟榔郭
