pyMAISE (Python-based Michigan Artificial Intelligence Standard Environment) è una libreria di benchmarking automatico per l'apprendimento automatico, la prima nel suo genere creata specificamente da e per ingegneri nucleari. L'obiettivo principale è fornire uno strumento che possa aiutare sia le aziende nucleari che la Nuclear Regulatory Commission (NRC) statunitense a testare in modo efficiente modelli di IA spiegabili, superando le sfide legate alla "scatola nera" di molti algoritmi di apprendimento automatico.
La trasparenza dei modelli è infatti fondamentale per i regolatori del settore nucleare. Come spiega il professor Majdi Radaideh, co-autore dello studio: "pyMAISE è un passo per aiutare l'NRC a creare un processo per l'IA licenziabile. Vogliamo che sia le aziende nucleari che l'NRC abbiano una piattaforma comune per testare in modo efficiente l'IA spiegabile e l'apprendimento automatico con quantificazione dell'incertezza per potenziali applicazioni".
Caratteristiche e potenzialità di pyMAISE
Il pacchetto semplifica notevolmente il processo di sviluppo di modelli di apprendimento automatico e IA, permettendo anche a ingegneri senza una forte preparazione nel campo di creare rapidamente strumenti dai loro dataset. pyMAISE è in grado di individuare il modello migliore, mettendo a punto e testando un'ampia gamma di potenziali soluzioni, dalle regressioni lineari di base fino a complesse reti neurali.
Lo studio dimostra le capacità di pyMAISE in tre scenari:
- Ottimizzazione del design di un microreattore nucleare
- Previsione di un parametro critico per i livelli di potenza nei reattori nucleari (flusso termico critico)
- Rilevamento di guasti nei sistemi elettronici per affrontare in anticipo problemi alle apparecchiature
In tutti e tre i casi, pyMAISE ha ottenuto prestazioni pari o superiori a librerie di benchmarking automatico comparabili come Auto-Sklearn, AutoKeras e H2O, spesso esplorando più modelli e talvolta con meno campioni di addestramento.
Patrick Myers, dottorando e primo autore dello studio, ha commentato: "Siamo rimasti stupiti nel vedere il livello di versatilità di pyMAISE da questi casi di studio. Il pacchetto poteva passare da un'applicazione di apprendimento automatico all'altra con dati e fisica completamente diversi, trovando comunque modelli che catturano davvero l'idea di ciò che sta accadendo".
Implicazioni future
Il lavoro svolto dal team dell'Università del Michigan ha il potenziale per apportare benefici anche in campi al di fuori dell'ingegneria nucleare. Modelli di IA più interpretabili sono infatti necessari per l'adozione in qualsiasi settore sensibile alla sicurezza, come l'assistenza sanitaria o la finanza.
Nataly Panczyk, dottoranda e autrice contributiva dello studio, ha sottolineato: "Mentre pyMAISE continua a svilupparsi, vorremmo aprire un po' di più la scatola nera per espandere la nostra comprensione del funzionamento interno dei modelli".
Con l'energia nucleare che si sta espandendo per raggiungere gli obiettivi di decarbonizzazione, strumenti come pyMAISE potrebbero giocare un ruolo cruciale nell'accelerare lo sviluppo di nuovi reattori e migliorare la sicurezza della flotta esistente, mantenendo al contempo gli elevati standard richiesti dalle autorità di regolamentazione.