Machine learning inference of fission yields from gamma spectroscopy for very low-yield nuclear test verification

ملخص تقني: الاستدلال بالتعلم الآلي لإنتاجية الانشطار من طيف غاما للتحقق من التجارب النووية ذات الإنتاجية المنخفضة جداً

بيان المشكلة
تعتمد معاهدة الحظر الشامل للتجارب النووية (CTBT) وحظر التجارب الحالي على "معيار الإنتاجية الصفرية"، الذي يحظر أي تجربة انفجارية تنتج تفاعلاً متسلسلاً انشطارياً ذاتي الاستدامة، بينما يسمح بالتجارب دون الحرجة (subcritical) بدقة. وتبرز مشكلة تحقق كبيرة في حالة "الإنتاجية المنخفضة جداً" (التي تتراوح بين دون الحرجة وبالكاد فوق الحرجة)، والتي قد تنتج إنتاجيات تصل إلى ملليغرامات من مكافئ TNT. وبينما يوفر تحليل طيف غاما في الموقع للحطام الناتج عن ما بعد التجربة رؤى محتملة، فإن الأساليب التحليلية التقليدية تواجه صعوبة في استنتاج الإنتاجية أو مستويات الحرجة (criticality) بسبب العوامل المربكة: فمستوى الحرجة ($\alpha(t)$) لا ينتج بصمة طيفية مباشرة متميزة عن الإنتاجية؛ كما أن الأطياف المقاسة تتأثر بشدة بمعلمات غير معروفة مثل الوقت المنقضي منذ التجربة، وتأثيرات الحجب (shielding)، وكتلة البلوتونيوم، وتكوينات الحرجة قبل التجربة. وبناءً على ذلك، يفتقر المفتشون إلى طرق قوية قائمة على البيانات للتمييز بين التجارب الممتثلة (دون الحرجة) وغير الممتثلة (فوق الحرجة)، أو لتقدير الإنتاجيات الفعلية بثقة عالية.

المنهجية
يقترح المؤلفون نهجاً للتعلم الآلي (ML) لاستنتاج إنتاجيات الانشطار من بيانات طيف غاما المحاكات، متجاوزين الحاجة إلى الانعكاس التحليلي الصريح للمعلمات الفيزيائية المعقدة.

1. توليد البيانات:

   • إطار المحاكاة: استخدم المؤلفون محاكاة نقل جسيمات ثلاثية الأبعاد عالية الدقة (Monte Carlo) باستخدام (Open_MC) مقترنة بأكواد الاستنزاف (ONIX) ونمذجة الاضمحلال (decaypy).
   • السيناريوهات: قاموا بتوليد 66 مليون مجموعة بيانات طيفية تمثل نطاقاً واسعاً من سيناريوهات التجارب ذات الإنتاجية المنخفضة جداً.
   • المعلمات: قامت المحاكاة بتغيير معلمات رئيسية تشمل: الإنتاجية (0.1 ملغ إلى 1 طن TNT)، الوقت بعد التجربة (30–365 يوماً)، سمك حجب الوعاء (3–8 سم)، كتلة البلوتونيوم (0.15–3 كجم)، وتكوين التجميع قبل التجربة (كرة صلبة مقابل قشرة).
   • نمذجة الكاشف: تم نمذجة كاشف جرمانيوم عالي النقاء (HPGe) على بعد 20 سم من الوعاء، مع دمج حسابات ارتفاع النبضة الواقعية وتوسيع غاوس للطاقة. كما تمت إضافة ضوضاء إحصائية (تقلبات بواسون) لمحاكاة ظروف العد في العالم الحقيقي.

2. هندسة الميزات:

   • بدلاً من استخدام الأطياف الخام، استخرج المؤلفون 82 نسبة لقمم نواتج الانشطار إلى البلوتونيوم-239. يهدف هذا النهج المستند إلى الفيزياء إلى التخفيف من تأثير توزيع الحطام المكاني والحجب، بافتراض أن نواتج الانشطار والبلوتونيوم يتوزعان بشكل مماثل.
   • تم تعيين القمم غير القابلة للكشف (أقل من حد كوري للكشف) إلى الصفر، واستبعاد الأطياف التي يكون فيها خط مرجع البلوتونيوم-239 غير قابل للكشف.

3. نماذج التعلم الآلي:

   • المهام: عالجت الدراسة مهمتين: (1) التصنيف الثنائي (تحديد ما إذا كانت الإنتاجية تتجاوز عتبة معينة)، و(2) الانحدار (تقدير قيمة الإنتاجية الفعلية).
   • الخوارزميات: تمت مقارنة ست طرق للتعلم الآلي: XGBoost (تعزيز التدرج المتطرف)، الغابة العشوائية (RF)، شجرة القرار (DT)، الإدراك متعدد الطبقات (MLP)، الجيران الأقرب (KNN)، ومصنف متجه الدعم (SVC).
   • استراتيجية التدريب: تم تدريب النماذج باستخدام التحقق المتقاطع الطبقي خماسي الطيات (5-fold stratified cross-validation). وتم تحسين المعلمات الفائقة عبر البحث العشوائي. كما بحث المؤلفون في تأثير نطاقات بيانات التدريب (ضيقة مقابل واسعة) وتضمين المعلمات المساعدة (الوقت، الحجب، الكتلة) كميزات مدخلة.

المساهمات الرئيسية

• إنشاء مجموعة بيانات: توليد مجموعة بيانات ضخمة وعالية الدقة مكونة من 6cc مليون طيف غاما يحاكي حالات متنوعة تغطي نافذة إنتاجية (1 غرام إلى 100 كجم TNT)، وهي نافذة ذات صلة بالتحقق من معيار الإنتاجية الصفرية وعتبات الإنتاجية المحتملة.
• تطبيق التعلم الآلي في التحقق: أول تطبيق لطرق التعلم الآلي، وتحديداً تعزيز التدرج، لاستنتاج إنتاجيات الانشطار من طيف غما بعد التجربة في سياق التحقق من التجارب النووية ذات الإنتاجية المنخفضة جداً.
• تحليل أهمية الميزات: استخدام قيم SHAP (تفسيرات Shapley الإضافية) لتحديد نسب قمم أشعة غاما الأكثر إخبارية (مثل Nb-95، وRu-106، وخط إبادة 511 كيلو إلكترون فولت) التي تقود تنبؤات النموذج، مما يوفر تفسيراً فيزيائياً.
• رؤى استراتيجية التدريب: تحليل يوضح أنه بينما يمكن أن يؤدي إضافة المعلمات المعروفة (مثل الوقت أو الكتلة) كميزات إلى تحسين الأداء في أنظمة إنتاجية محددة، إلا أنه يؤدي أيضاً إلى الاعتماد على معرفة المفتش. وتدعو الدراسة إلى استراتيجيات تدريب محافظة باستخدام نطاقات معلمات واسعة لضمان متانة النموذج عندما تكون هذه المعلمات غير معروفة.

النتائج

• أداء النموذج:
  • التصنيف: تفوق XGBoost على الطرق الأخرى في جميع عتبات الإنتاجية المختبرة (1 غرام إلى 100 كجم TNT). حقق المصنف دقة عالية، مع درجات F1 تتجاوز 0.99 للإنتاجيات بين 100 غرام و1 كجم TNT. تركزت معدلات الخطأ في التصنيف حول حدود القرار، وانخفضت إلى ما يقرب من الصفر للإنتاجيات الأعلى أو الأقل بكثير من العتبة.
  • الانحدار: حقق نموذج الانحدار متوسط خطأ نسبي مطلق قدره 12.4% للقياسات التي تمت بعد شهر إلى سنة من التجربة. حوالي 80% من التنبؤات وقعت ضمن خطأ نسبي يتراوح بين -16.5% و+19.7%.
• تقليل الميزات: حافظت النماذج المدربة على مجموعات ميزات مختزلة (أعلى 20 أو أعلى 3 نسب مصنفة حسب SHAP) على أداء مماثل لنموذج الـ 82 ميزة الكامل في عتبات الإنتاجية المنخفضة، رغم تراجع الأداء قليلاً عند العتبات الأعلى عند استخدام أعلى 3 ميزات فقط.
• حساسية المعلمات:
  • الوقت: بالنسبة للإنتاجيات المنخفضة، قللت أوقات الانتظار الطويلة من القدرة على الكشف؛ أما بالنسبة للإنتاجيات العالية، فقد حسنت أوقات الانتظار الطويلة من القدرة على الكشف مع ظهور خطوط البلوتونيوم من خلفية نواتج الانشطار.
  • الحجب: أدى زيادة الحجب إلى تدهور الأداء للإنتاجيات المنخفضة، لكن تأثيره كان ضئيلاً على الإنتاجيات العالية.
  • كتلة البلوتونيوم: أظهر النموذج أداءً غير رتيب بالنسبة للكتلة بسبب الترميز الضمني للكتلة في نسب القمم.
• نطاقات التدريب: أدى التدريب على نطاقات معلمات أوسع بشكل عام إلى منع تدهور الأداء عند الاختبار على أنظمة غير مرئية، بينما أدت نطاقات التدريب الضيقة إلى ضعف في القدرة على الاستقراء.

الأهمية والادعاءات
يزعم البحث أن استخدام التعلم الآلي لاستنتاج إنتاجية التجارب النووية ذات الإنتاجية المنخفضة جداً من بيانات طيف غاما هو أمر ممكن ودقيق. وتحديداً:

• يمكن للطريقة المقترحة تصنيف ما إذا كانت التجربة قد تجاوزت عتبة إنتاجية معينة (مثل 1 كجم TNT) بموثوقية عالية، حتى بعد أشهر من الحدث.
• بينما يركز معيار الإنتاجية الصفرية الحالي على الحرجة (وهو أمر يصعب استنتاجه مباشرة من الأطياف)، فإن القدرة على تقدير الإنتاجية بدقة توفر مساراً لتضييق تقدير مستويات الحرجة، مما يدعم التحقق من الامتثال.
• يشير المؤلفون إلى أن نظام تحقق قائم على عتبة الإنتاجية (مثل حظر التجارب التي تزيد عن 1 غرام TNT) قد يكون أكثر قابلية للتحقق تقنياً من معيار الإنتاجية الصفرية الحالي، مما قد يسهل دخول معاهدة الحظر الشامل (CTBT) حيز التنفيذ.
• تؤكد الدراسة أن هذا النهج ليس حلاً مستقلاً بذاته، بل يجب دمجه مع طرق تحقق أخرى (مثل صور الأقمار الصناعية، وإجراءات الشفافية)، وأن نماذج التعلم الآلي تعتمد على بيانات محاكاة، مما يتطلب عملاً مستقبلياً لدمج البيانات التجريبية عبر التعلم بنقل المعرفة (transfer learning).

يحافظ المؤلفون على نبرة متواضعة، مشيرين إلى أنه بينما تتوفر القدرة التقنية، فإن السياق السياسي والجيوسياسي للتحقق يظل تحدياً منفصلاً وحاسماً. هم لا يدعون إلى حل مشكلة غموض معيار الإنتاجية الصفرية نفسها، بل يقدمون أداة تقنية يمكن أن ترفد المناقشات حول تفسيره وإنشاء بروتوكول تحقق قوي.