في عالم يتزايد فيه الاعتماد على التقنيات الحديثة، أصبح من الضروري تحسين أنظمة مراقبة المحطات النووية لضمان السلامة والكفاءة. قدم الباحثون في دراسة جديدة حلاً مبتكراً لمشكلة كشف الشذوذ في أنظمة التحكم الصناعي (Industrial Control Systems) الخاصة بالمرافق النووية، عبر استخدام الشبكات العصبية النابضة (Spiking Neural Networks - SNN) التي تدعم التعلم المستمر.

تواجه الأنظمة التقليدية مشكلة "النسيان الكارثي" عندما يتم تدريب الشبكة على مراقبة نظم جديدة، مما يؤدي إلى فقدان الأنماط السابقة التي تم تعلمها. ولكن النظام الجديد، الذي يعتمد على دمج البيانات الحسية بأسلوب غير متزامن (Asynchronous Sensor Fusion)، يعالج كلا الجانبين بفعالية.

هذا النظام يتميز بقدرته على تحويل تدفقات البيانات الحسية المتنوعة إلى إشارات نبضية (Spike Trains) بكفاءة، حيث أنه يحقق مستوى كثافة إدخال يصل إلى 92.7%. تم تقييم خمس استراتيجيات مختلفة للتعلم المستمر عبر مجموعة بيانات الأمن النووي HAI 21.03، بما في ذلك استراتيجيات التوليف التسلسلي وتثبيت الوزن المرن. وقد أثبتت الطريقة الهجينة (Hybrid EWC+Replay) كفاءة عالية، حيث حققت متوسط درجة F1 بقيمة 0.979 مع معدلات نسيان قريبة من الصفر، مما يعني أنها تحتفظ بمعرفتها السابقة بكفاءة.

علاوة على ذلك، يتطلب النظام الجديد عمليات أقل بمقدار 12.6 مرة مقارنة بالشبكات العصبية الاصطناعية التقليدية، مما يوفر في الطاقة اللازمة. كما تميز النظام بقدرته على كشف جميع الهجمات الاختبارية بمعدل زمن استجابة يبلغ 0.6 ثانية. هذه النتائج تلقي الضوء على مستقبل مشرق للتقنيات التكيفية في مجال الأمن النووي، مما يعد بتحسين سلامة وكفاءة رصد المنشآت النووية من الجيل القادم.