原子力発電所モニタリングシステムの逐次展開のためのニューロモーフィック・継続学習

Abstract

原子力の産業用制御システム（ICS）における異常検知には、プラントのコミッショニング（試運転・立ち上げ）の異なる段階でしばしば導入される複数のサブシステムにまたがって、継続的かつ省エネルギーな監視を行うことが必要です。従来のニューラルネットワークを、新しいサブシステムを監視するために逐次学習させると、既に学習した異常パターンを破滅的に忘れてしまい、安全性に重大な失敗モードが生じます。本稿では、原子力ICS向けの、継続学習を備えた最初のスパイキングニューラルネットワーク（SNN）ベースの異常検知システムを提案し、これら2つの課題を同時に解決します。我々の手法は、スパイク符号化による非同期センサーフュージョンを導入します。これは、各センサが持つ自然なダイナミクスに従って決まるレートで、異種のセンサストリームを疎なスパイク列へ変換するデルタベースの符号化であり、入力のスパース性を92.7%まで達成します。HAI 21.03の原子力ICSセキュリティデータセットに対し、3つの逐次導入されたサブシステム（ボイラ、タービン、水処理）上で、逐次ファインチューニング、Elastic Weight Consolidation（EWC）、Synaptic Intelligence（SI）、経験リプレイ、そしてハイブリッドなEWC+Replayアプローチの5つの継続学習戦略を評価します。ハイブリッドEWC+Replay法は、平均F1スコア0.979を達成し、平均忘却がほぼゼロ（AF = 0.000、単一シード；3つのシードで0.035 +/- 0.039）である一方、同等の人工ニューラルネットワークと比べて必要な演算を12.6倍少なくします（公開されているハードウェア仕様に基づく推定で、エネルギーは2.5倍）。本システムは、検証されたすべての攻撃を平均レイテンシ0.6秒で検知します。これらの結果は、ニューロモーフィック・コンピューティングが、次世代の原子力施設に向けた常時稼働、省エネルギー、かつ適応可能な安全監視への実行可能な道を提供することを示しています。