Crédito: dominio público Unsplash/CC0
Los programas de IA que generan mensajes de texto como ChatGPT son conocidos por tareas cotidianas como responder preguntas, pero para eso no son buenos. Estos agentes de inteligencia artificial pueden usar sus poderes de emparejamiento de texto para ayudar a promover la ciencia nuclear y ayudar a los físicos de la salud, como lo demuestra la investigación del estudiante graduado de ingeniería nuclear Zavier Ndum.
Los modelos de gran lenguaje (LLM) como ChatGPT son una forma de inteligencia artificial que utiliza datos escritos para generar texto basado en predicciones. Aunque los LLM son útiles para muchos dominios, como la ingeniería de software y la asistencia de investigación, su uso en la ciencia nuclear es menos común. Esto se debe en parte a que la investigación de ingeniería nuclear a menudo utiliza datos patentados que no pueden alimentarse de forma segura en una LLM general.
“Cuando se trata de ciencia nuclear, hay muchos datos propietarios y hay problemas de seguridad para compartir datos”, dijo Ndum. “No puede simplemente dar este conocimiento a ChatGPT o Copilot. Si tiene algo que se puede usar dentro de una organización para automatizar los flujos de trabajo, aumenta la productividad y la eficiencia”.
NDUM recientemente escribió un artículo sobre un proyecto que usa un LLM para la ciencia nuclear. El agente de IA descrito en el artículo de NDUM, Autofluka, puede ayudar a automatizar tareas en la investigación en ciencias nucleares, como ejecutar simulaciones por computadora en un software llamado Fluka. La aplicación puede tomar y editar archivos de entrada, ejecutar simulaciones y luego analizar los resultados, completarse con los gráficos de trazado.
Otros investigadores pueden usar la aplicación de NDUM con sus propios datos, construyendo de forma segura una base de datos utilizando datos propietarios que no van a otro lugar que no sea la computadora de origen.
“Puede clasificar esta información muy fácil y muy rápido, en lugar de leer para extraer una respuesta simple”, dijo Ndum. “Si tiene esos documentos y tiene el acceso a la aplicación de acceso a esos documentos, puede hacer fácilmente preguntas y respuestas, y puede solicitar al modelo que le dé sugerencias para aumentar su aplicación específica”.
Para construir autofluka como prueba de concepto, Ndum tuvo que trabajar con lo que tenía. No tenía acceso para trabajar con Monte Carlo N-Partícula (MCNP), un código de simulación por computadora que se usa comúnmente en la ciencia nuclear pero también está regulado. Sin embargo, Fluka es lo suficientemente similar a MCNP que el modelo de NDUM se puede replicar fácilmente para él y otros programas de simulación.
Otro desafío para NDUM fue hacer la transición de su enfoque de investigación al estudio de agentes de IA. Antes de llegar a Texas A&M, trabajó en física y dosimetría de la salud, o el estudio de la radiación absorbida por el tejido vivo. Sin embargo, después de trabajar con el Dr. John Ford, un profesor de ingeniería nuclear que investiga la física de la salud, NDUM utilizó ese trabajo para proporcionar estudios de casos para el documento de Autofluka. También cita la guía del profesor de ingeniería nuclear, Dr. Yang Liu, su Ph.D. Asesor, y el Dr. Jian Tao, profesor de la Facultad de Performance afiliado al Departamento de Ingeniería Nuclear, mientras construyen la solicitud.
“Cuando entras en un nuevo territorio, siempre es un desafío, pero sigues trabajando y crees que hay algo útil que puedes hacer de esto”, dijo. “Cuando pones ese esfuerzo, resulta bien”.
NDUM, quien se desempeña como presidente del Capítulo del Estado de Texas de la Sociedad de Física de la Salud (STC-HPS), también espera devolver este enfoque a su campo original de física de la salud. En la conferencia anual del capítulo en octubre en la Universidad de Texas en Arlington, presentó una charla sobre el uso de LLM en física de la salud para servir como asistentes virtuales para profesionales en el campo. Probó la aplicación de su artículo sobre la recuperación de la información de la documentación relacionada con la física de la salud, reduciendo una búsqueda de una hora de duración a segundos. Esto puede ayudar a los físicos de la salud como los oficiales de seguridad de la radiación (RSO), que deben conocer las regulaciones anuales de la dosis de radiación y el funcionamiento de varias máquinas.
“La clasificación de estas guías regulatorias para RSO podría llevar mucho tiempo y extenuante”, dijo Ndum.
NDUM también entregó un seminario como parte de una serie de semestre de largo otoño pasado organizada por la investigación de Texas A&M en Iniciativa de Inteligencia Artificial para Ciencia e Ingeniería. Planea presentar otra charla sobre este tema en la Conferencia de Estudiantes STC-HPS en la Universidad de Texas A&M en abril, donde asistirán a estudiantes de ciencias nucleares, física de salud e ingeniería de universidades distintas de Texas A&M.
“Pueden ver cómo aprovechar esta tecnología a sus propias áreas de investigación específicas”, dijo.
Actualmente, NDUM avanza su investigación mediante el desarrollo de una sofisticada aplicación LLM diseñada para responder preguntas complejas y específicas de dominio en la investigación en ciencias nucleares. Esta aplicación clasifica y analiza documentos, y también puede integrar información de fuentes en línea en tiempo real. Puede leer y procesar múltiples tipos de archivos, incluidos PDF, imágenes y hojas de cálculo, ofreciendo soporte integral para tareas de investigación. Estas habilidades permiten que la aplicación proporcione respuestas y ideas matizadas para que la investigación en ciencias nucleares sea más eficiente.
“Este es un territorio nuevo, y explorarlo dentro de la ciencia nuclear es realmente importante”, dijo Ndum. “Voy a seguir trabajando para ver qué podemos construir con este conocimiento”.
Liu, quien se desempeña como director del Grupo Científico Machine Learning for Advanced Reactor Technologies (Smart), cree que el trabajo de Zavier tendrá un impacto en la comunidad de ingeniería nuclear más amplia.
“Los LLM son un foco de investigación de nuestro grupo, y tenemos la suerte de que Zavier empuje los límites de su aplicación en la ciencia nuclear”, dijo Liu. “Su enfoque innovador para integrar la IA en la investigación nuclear es exactamente el tipo de mentalidad con visión de futuro que necesitamos en este campo. La capacidad de aprovechar la IA para la automatización segura y específica del dominio es un cambio de juego, y las contribuciones de Zavier están allanando el camino para avances más eficientes e impulsados por datos en el modelado de reactores, física de salud y seguridad nuclear”.
Más información: Zavier Ndum Ndum et al, Autofluka: un marco basado en el modelo de lenguaje grande para automatizar simulaciones de Monte Carlo en Fluka, ARXIV (2024). Doi: 10.48550/arxiv.2410.15222
Información en la revista: ARXIV proporcionado por la Universidad de Texas A&M
Cita: Uso de la investigación nuclear de IA para generar texto (2025, 12 de abril) Recuperado el 12 de abril de 2025 de https://techxplore.com/news/2025-04-text-generating-ai-power-nuclear.html
Este documento está sujeto a derechos de autor. Además de cualquier trato justo con el propósito de estudio o investigación privada, no se puede reproducir ninguna parte sin el permiso por escrito. El contenido se proporciona solo para fines de información.
