NuHF Claw: A Risk Constrained Cognitive Agent Framework for Human Centered Procedure Support in Digital Nuclear Control Rooms

Each language version is independently generated for its own context, not a direct translation.

Stel je voor dat een kerncentrale bestuursruimte niet langer een kamer is vol met duizenden fysieke schakelaars en knoppen, maar een enorm, complex digitaal scherm. Voor de operators (de mensen die de centrale besturen) is dit een tweesnijdend zwaard. Enerzijds is er meer informatie, maar anderzijds moeten ze nu door talloze digitale menu's "zwemmen" om de juiste knop te vinden. Dit noemen de auteurs "soft control". Het probleem is dat dit nieuwe soort werk de hersenen van de operator zwaar belast, waardoor ze makkelijker fouten maken door verwarring of overbelasting, zonder dat de oude veiligheidssystemen dit tijdig zien.

Om dit op te lossen, hebben de onderzoekers NuHF-Claw bedacht. Laten we dit uitleggen met een paar creatieve vergelijkingen.

1. Het Probleem: De "Digitale Labyrint"

Vroeger was het besturen van een centrale als het rijden met een oude auto: je draaide aan een stuur en drukte op pedalen. Alles was direct en tastbaar.
Vandaag is het als het besturen van een ruimtevaartuig via een tablet met duizenden apps. Als er een alarm afgaat, moet de operator snel door verschillende lagen menu's zoeken. De onderzoekers zeggen: "De oude veiligheidsanalisten kijken alleen naar het verleden (wat ging er fout?) en zijn te traag om in het heden te ingrijpen."

2. De Oplossing: NuHF-Claw als een "Super-Copiloot"

NuHF-Claw is geen robot die de operator vervangt. Het is meer als een onzichtbare, super-slimme copiloot die 24/7 meekijkt. Maar deze copiloot is niet zomaar een AI die soms hallucineert (dromen die niet waar zijn); deze is gebonden aan strenge veiligheidsregels.

Het systeem werkt met vier speciale "agenten" (virtuele helpers) die samenwerken als een goed georganiseerd orkest:

De Vertaler (Procedure-Interface Agent):
Stel je voor dat de noodhandleiding een boek is in een vreemde taal en het computerscherm een ander landschap. Deze agent leest de handleiding en vertaalt die direct naar een digitale "schattenkaart" op het scherm. Hij weet precies: "Om de stoomgenerator te koelen, moet je nu op knop X in menu Y klikken." Hij voorkomt dat de AI verzint wat er moet gebeuren.
De Digitale Dubbelganger (Cognitive Twin Agent):
Dit is misschien wel het coolste deel. Het systeem bouwt een virtuele kopie van de menselijke operator in de computer. Deze digitale dubbelganger denkt precies zoals de echte operator: hij zoekt naar informatie, herinnert zich instructies en maakt beslissingen.
- De metafoor: Het is alsof je een spiegelbeeld hebt dat 100 keer sneller kan rekenen dan jij. Als de echte operator door de digitale menu's moet zwemmen, ziet de dubbelganger al: "Hé, deze operator is aan het vertragen, zijn hersenen zijn overbelast, hij gaat straks een fout maken."
De Risico-Berekenaar (Dynamic Risk Agent):
Deze agent kijkt naar de situatie: "Is het druk? Is de operator moe? Is het systeem complex?" Hij gebruikt een enorme database met kennis over menselijke fouten om te berekenen: "De kans dat de operator nu een fout maakt is 15%."
De Poortwachter (Governance Safety Gate):
Dit is de belangrijkste regelgever. Stel je voor dat de AI een suggestie doet: "Druk op deze knop!" De Poortwachter kijkt naar de berekeningen van de Digitale Dubbelganger en de Risico-Berekenaar.
- Als de risico's laag zijn: "Goed, help de operator met de navigatie."
- Als de risico's te hoog zijn (bijvoorbeeld omdat de operator al overbelast is): STOP! De AI mag niet zelf de knop indrukken. In plaats daarvan zegt de Poortwachter: "Ik zie dat dit gevaarlijk is. Ik geef een waarschuwing, maar jij (de mens) moet de knop indrukken."

3. Waarom is dit zo belangrijk?

Vroeger dachten we: "Laat de computer alles doen, dan maken mensen geen fouten." Maar in complexe digitale systemen werkt dat niet; de mens wordt dan een passieve toeschouwer die snel fouten maakt door saaiheid of verwarring.

NuHF-Claw draait dit om. Het zegt: "De computer helpt de mens, maar de mens blijft de baas."
Het systeem is als een zeer ervaren vlieginstructeur in een vliegtuig. Hij ziet alles wat jij niet ziet, berekent de risico's en zegt: "Je zit in een storm, ik heb een route voor je, maar jij moet de knoppen bedienen." Als de instructeur ziet dat jij te moe bent om te vliegen, grijpt hij in en zegt: "Ik neem de controle over tot je rustig bent," of "Ik geef je een simpele instructie, maar jij voert het uit."

Samenvatting in één zin

NuHF-Claw is een slim, veiligheidsbewust computersysteem dat een digitale kopie van de menselijke operator maakt om te voorspellen wanneer die overbelast raakt, en dan ingrijpt om te voorkomen dat een kunstmatige intelligentie een gevaarlijke fout maakt, terwijl de menselijke operator altijd de laatste knop blijft indrukken.

Het is de overgang van "de computer doet het voor ons" naar "de computer helpt ons om slimmer en veiliger te werken".

Each language version is independently generated for its own context, not a direct translation.

Titel

NuHF-Claw: Een risicogestuurde cognitieve agentframework voor mensgerichte procedureondersteuning in digitale kerncentralecontrolekamers.

1. Het Probleem

De snelle digitalisering van de hoofdcontrolekamers (MCR) van kerncentrales heeft de interactiepatronen van operators fundamenteel veranderd. Hoewel dit de informatiedichtheid heeft verhoogd, heeft het ook complexe "soft-control"-gedragingen geïntroduceerd. Dit verwijst naar het intensieve navigeren door digitale interfaces en het verwerken van informatie, wat leidt tot nieuwe vormen van menselijke fouten die voornamelijk cognitief van aard zijn (zoals modusverwarring, navigatieproblemen en cognitieve overbelasting).

Bestaande methoden voor menselijke betrouwbaarheidsanalyse (HRA) zijn grotendeels passief, retrospectief en offline, waardoor ze niet in staat zijn om in real-time in te grijpen op deze soft-control-gedragingen. Tegelijkertijd biedt de opkomst van autonome AI-agenten en Large Language Models (LLM's) kansen voor besluitvorming, maar hun directe toepassing in veiligheidskritieke omgevingen brengt grote risico's met zich mee, zoals "hallucinaties" (feitelijke onjuistheden) en het ondermijnen van de menselijke autoriteit. Er is een dringend behoefte aan een paradigma-shift: van passieve HRA naar een actief, risicobewust en cognitief gefundeerd agent-architectuur.

2. Methodologie: Het NuHF-Claw Framework

NuHF-Claw is een persistent cognitief-risico agentframework dat is ontworpen om mensgerichte autonomie in digitale kerncentrales mogelijk te maken. Het framework transformeert statische betrouwbaarheidsevaluaties in een "Risk-Constrained Agent Runtime" (een runtime die door risico's wordt beperkt). Het bestaat uit vier synergetische modules die continu in de achtergrond werken:

Procedure-Interface Agent (AutoGraph):
- Deze agent pakt tekstuele noodprocedures (EOP's) in natuurlijke taal en mapt deze automatisch naar een Interface-Embedded Knowledge Graph (IE-KG).
- Hierdoor worden statische teksten omgezet in deterministische, machine-uitvoerbare operationele paden die gekoppeld zijn aan specifieke schermcoördinaten, wat hallucinaties van de AI voorkomt.
Cognitive Twin Agent (ACT-R):
- Deze agent fungeert als een "Digitale Menselijke Tweeling" en gebruikt de ACT-R (Adaptive Control of Thought—Rational) cognitieve architectuur.
- In plaats van handmatig Lisp-code te schrijven, gebruikt het framework LLM's om dynamisch ACT-R Lisp-code te genereren op basis van de operationele paden.
- Dit simuleert continu de cognitieve processen van de operator (zoals visuele zoektochten, geheugenopslag en motorische uitvoering) om de benodigde tijd ( $T_{reqd}$ ) en potentiële cognitieve knelpunten (zoals modusverwarring) in real-time te voorspellen.
Dynamic Risk Agent (KRAIL):
- Gebaseerd op de IDHEAS-ECA methode, gebruikt deze agent het KRAIL-framework (Knowledge-based Reliability Analysis using an Intelligent Large Language Model).
- Het analyseert real-time Performance Influencing Factors (PIF's) en contextuele factoren om de waarschijnlijkheid van cognitieve fouten ( $P_c$ ) te berekenen. Dit vervangt subjectieve expertoordelen door probabilistische redenering.
Governance Safety Gate (Bayesian Inference):
- Dit is de cruciale beveiligingslaag. Het gebruikt een Bayesiaans Netwerk om de outputs van de Cognitive Twin (tijdsafhankelijke foutkans $P_t$ en cognitieve last) en de Dynamic Risk Agent ( $P_c$ ) te synthetiseren.
- Het berekent een alomvattende "Actie Risicowaarschijnlijkheid". Als dit risico een vooraf gedefinieerde drempel overschrijdt, blokkeert de gate autonome uitvoering. In plaats daarvan worden er risicobewuste suggesties gedaan die menselijke goedkeuring vereisen voordat ze worden uitgevoerd. Dit behoudt de uiteindelijke besluitvormingsautoriteit bij de mens.

3. Belangrijkste Bijdragen

Oplossing voor "Soft Control": Het framework analyseert systematisch hoe digitale interfaces nieuwe cognitieve fouten introduceren en lost dit op door een ACT-R gebaseerde Cognitive Twin te integreren die deze knelpunten in real-time simuleert.
Risicogestuurde Agent Architectuur: NuHF-Claw overbrugt de kloof tussen dynamische HRA en autonome AI-agenten. Het beperkt LLM-gedreven besluitvorming binnen strikte, dynamisch berekende grenzen voor menselijke foutkansen (HEP).
Mensgerichte Autonomie: Het framework verschuift van "vervanging van de operator" naar "versterking van de operator". Het automatiseert zware cognitieve taken (zoals PIF-analyse) maar behoudt via de Governance-laag de menselijke controle, wat essentieel is voor veiligheidskritieke systemen.
Geautomatiseerde Cognitieve Modellering: Door LLM's te gebruiken om ACT-R Lisp-code te genereren, wordt de historische bottleneck van handmatige modellering opgelost, waardoor schaalbare en aanpasbare digitale tweelingen mogelijk worden.

4. Resultaten

De framework werd gevalideerd met een hoogwaardige simulatie van de HTR-PM600 (een hoogtemperatuur gasgekoelde reactor) met drie deelnemers (nucleaire wetenschappers).

Validatie van de Digitale Tweeling: De door de ACT-R agent gegenereerde tijdsverdelingen ( $T_{reqd}$ ) stemden nauwkeurig overeen met de empirische cursor-traceerdata van de deelnemers (verklaarde variantie > 0,9). Dit bevestigt dat LLM-gedreven generatie van cognitieve modellen effectief werkt als een real-time digitale tweeling.
Werklastdetectie: De Cognitive Twin kon significante verschillen in mentale werklast tussen verschillende operatorrollen (1RO, 2RO, 3RO) voorspellen, wat overeenkwam met post-experiment NASA-TLX vragenlijsten. De 1RO toonde kritieke pieken in mentale werklast en tijdsdruk.
Risicobeheersing: Het framework slaagde erin om specifieke hoge-risico navigatiepaden (bijv. sequenties met 11 opeenvolgende interacties) te identificeren die vatbaar zijn voor modusverwarring. De Governance Gate blokkeerde in dergelijke scenario's autonome actie en eiste menselijke bevestiging, waardoor de menselijke autoriteit werd behouden terwijl het risico werd geminimaliseerd.

5. Betekenis en Toekomstperspectief

NuHF-Claw vertegenwoordigt een fundamentele verschuiving in de nucleaire veiligheid: van passieve voorspelling van menselijke fouten naar proactieve, door AI beheerde bescherming van menselijke cognitie.

Het biedt een principieel pad voor de veilige integratie van intelligente agenten in de volgende generatie nucleaire controleomgevingen.
Het lost het probleem op dat traditionele HRA-methoden niet kunnen omgaan met de dynamiek van digitale interfaces, terwijl het tegelijkertijd de risico's van ongecontroleerde AI (hallucinaties) elimineert.

Toekomstig onderzoek richt zich op:

Integratie van multimodale fysiologische data (oogvolging, EEG) voor nog nauwkeurigere cognitieve statusschattingen.
Optimalisatie van algoritme-latentie voor microseconden-respons in noodsituaties.
Schaalbaarheid naar multi-agent bemanningen om teamdynamiek en communicatiefouten te modelleren.
Implementatie in gesloten-lus simulatiecampagnes met actieve bemanningen voor industriële validatie.

Kortom, NuHF-Claw is een doorbraak die AI niet als een vervanger, maar als een risicobewuste "co-pilot" positioneert die de menselijke operator ondersteunt in complexe, digitale veiligheidskritieke omgevingen.