aiqbenchInformații despre AI & calcul cuantic

...

Română · beta. Traducerea a fost făcută automat și este încă în curs de revizuire. Citește pagina în engleză

perspectiva aiqbenchProduse AI

This study demonstrates how machine learning, specifically U-Net architectures, can automate the detection of microscopic cracks in DOE plutonium storage canisters where traditional metrics fail due to extreme data imbalance. By processing vast datasets from laser confocal and electron microscopes, the model significantly enhances proactive safety monitoring for long-term nuclear material storage.

Sursă care acoperăQuantum Zeitgeist

Ce este aceastaLectura unui model asupra articolului și a acoperirii conexe, scrisă pentru aiqbench. Nu sunt cuvintele publicației.

Machine learning spots cracks in plutonium storage canisters

Quantum Zeitgeist2 septembrie 20265 min de cititArticolul și perspectiva sunt în engleză.

The DOE uses 3013 containers for plutonium storage, & a new model leverages machine learning to automate crack detection in canister images and scans.

Since 1994, the Department of Energy has stored surplus plutonium in nested containers known as 3013 containers and actively monitors for potential cracking in the innermost layer. Destructive evaluation of a small number of the inner containers revealed cracking, prompting a project to develop a machine learning model capable of proactively identifying potential issues. Researchers found a U-Net type of convolutional neural network outperformed previous methods in identifying potential cracking, evaluated by summing pixel values to assess accuracy. "The model predictions indicate 'crack-like features,' which require further human evaluation before being…

Extras afișat conform termenilor RSS ai publicației · 91 cuvinte · textul integral și figurile sunt pe site-ul publicației

Citește pe Quantum Zeitgeist ↗Întreabă despre acest articol