🔬 physics

Peak-Based Nuclide Identification in HPGe $\gamma$ -Spectrometry with Machine Learning and SHAP

Diese Arbeit präsentiert einen überwachten maschinellen Lernansatz zur Automatisierung der Nuklididentifizierung in der HPGe-Gammaspektrometrie, der im Vergleich zu herkömmlicher Software (0,84) einen überlegenen F1-Score von 0,97 erreicht und SHAP-Werte nutzt, um zu bestätigen, dass das Modell für seine Vorhersagen auf physikalisch relevanten Photopeaks basiert.

Ursprüngliche Autoren: Samuel Emmons, Kelly Truax, Maurice Lonsway, Bruce Pierson, Brian Archambault

Veröffentlicht 2026-06-16

📖 4 Min. Lesezeit☕ Kaffeepausen-Lektüre

CC BY 4.0

Ursprüngliche Autoren: Samuel Emmons, Kelly Truax, Maurice Lonsway, Bruce Pierson, Brian Archambault

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Das Problem: Die Suche nach der Nadel im Heuhaufen

Stellen Sie sich vor, Sie haben eine riesige Kiste mit gemischten Lego-Steinen. Einige sind rot, einige blau, manche winzig klein und andere riesengroß. Ihre Aufgabe ist es, einen Haufen dieser Steine zu betrachten und Ihrem Freund genau zu sagen, welche spezifischen Farben und Formen in diesem Haufen enthalten sind.

In der realen Welt nutzen Wissenschaftler spezielle Detektoren (genannt HPGe-Detektoren), um radioaktive Proben zu untersuchen. Diese Detektoren erzeugen ein „Spektrum“, das wie eine komplexe Grafik aus Gipfeln und Tälern ist. Jeder „Gipfel“ repräsentiert eine bestimmte Art von radioaktivem Atom (ein Nuklid), das Energie aussendet.

Das Problem ist, dass diese Spektren unordentlich sind. Gipfel überlagern sich, einige sind sehr schwach und es gibt hunderte verschiedene Arten von Atomen, nach denen man suchen muss. Traditionell müssen sich menschliche Experten hinsetzen, die Grafik betrachten, die Gipfel perfekt anpassen und Standardsoftware (wie Genie 2000) verwenden, um zu erraten, welche Atome vorhanden sind. Das ist langsam, ermüdend und manchmal liegt die Software falsch und schlägt Atome vor, die eigentlich gar nicht da sind (Fehlalarme).

Die Lösung: Einen smarten Assistenten trainieren

Die Autoren dieser Arbeit wollten einen „smarten Assistenten“ mittels Maschinellem Lernen (ML) bauen, um die Experten zu unterstützen. Anstatt dem Computer die ganze unordentliche Grafik zu füttern, gaben sie ihm eine „Einkaufsliste“ der wichtigsten Gipfel, die Experten bereits identifiziert und gemessen hatten.

Sie brachten zwei Arten von KI-„Schülern“ bei, diese Liste zu betrachten und zu entscheiden, welche Atome vorhanden sind:

XGBoost: Stellen Sie sich das wie ein Team von Detektiven vor, die eine Reihe von „Ja/Nein“-Fragen stellen, um die Verdächtigen einzugrenzen.
DNN (Tiefe Neuronale Netze): Stellen Sie sich das wie ein Supergehirn vor, das gleichzeitig nach komplexen Mustern und Verbindungen über die gesamte Liste hinweg sucht.

Die Ergebnisse: Wer hat den Wettbewerb gewonnen?

Das Team testete diese KI-Modelle gegen die traditionelle Software (Genie 2000) anhand von etwa 1.600 realen Beispielen radioaktiver Proben.

Die Punktzahl: Die KI-Modelle waren bei der Arbeit viel besser. Das beste KI-Modell (XGBoost) erreichte einen Wert von 0,97 (von 1,0), während die traditionelle Software nur 0,84 erreichte.
Der Hauptsieg: Der größte Sieg war nicht nur das Finden der richtigen Atome, sondern das Nicht-Finden der falschen Atome. Die traditionelle Software war wie ein Sicherheitsmann, der jedes Mal „Einbrecher!“ schreit, wenn sich ein Schatten bewegt. Die KI-Modelle waren klüger; sie schrien nur dann „Einbrecher!“, wenn sie sich wirklich sicher waren. Das bedeutet weniger Fehlalarme für die menschlichen Experten.

Das „Warum“: Der magische Spiegel (SHAP)

Einer der wichtigsten Teile dieser Arbeit ist, dass die Autoren nicht nur sagten: „Die KI funktioniert.“ Sie wollten wissen, wie sie funktioniert. Sie verwendeten ein Werkzeug namens SHAP (das wie ein magischer Spiegel wirkt), um genau zu sehen, welche Hinweise die KI für ihre Entscheidungen nutzte.

Sie fanden heraus, dass die KI nicht einfach nur rät, sondern physikbasierte Logik anwendet:

Der Haupt Hinweis: Wenn die KI glaubt, dass „Cadmium-109“ vorhanden ist, schaut sie hauptsächlich auf den spezifischen Gipfel für Cadmium.
Der Kontext-Hinweis: Die KI betrachtet auch die „Familie“. Wenn sie zum Beispiel ein kurzlebiges Atom namens Niobium-97 sieht, prüft sie, ob dessen „Elternatom“ (Zirconium-97) ebenfalls vorhanden ist. Wenn das Elternatom fehlt, weiß die KI, dass das Kind wahrscheinlich auch nicht da sein sollte. Traditionelle Software übersieht diese Familienverbindung oft.
Der „Kontext“-Hinweis: Die KI versteht, dass ein Gipfel einer gewissen Höhe etwas anderes bedeuten kann, wenn er allein steht, als wenn er von anderen spezifischen Gipfeln umgeben ist.

Die Einschränkungen: Wenn die KI verwirrt ist

Die Arbeit gibt zu, dass die KI nicht perfekt ist.

Seltene Artikel: Wenn ein bestimmtes Atom sehr selten in den Trainingsdaten vorkommt (wie ein spezieller Lego-Stein, der nur in 3 % der Fälle auftaucht), hat die KI manchmal Schwierigkeiten, es korrekt zu identifizieren.
Schlechte Labels: Wenn die menschlichen Experten Fehler beim Labeln der Trainingsdaten gemacht haben (z. B. sagten „Dies ist Atom A“, obwohl es eigentlich „Atom B“ war), wird die KI verwirrt. Sie lernt aus den Fehlern, die man ihr beigebracht hat.

Das Fazit

Diese Arbeit zeigt, dass wir durch das Lehren von Computern, die „Einkaufsliste“ radioaktiver Gipfel zu betrachten, ein Werkzeug schaffen können, das schneller und genauer ist als bisherige Methoden. Es ersetzt nicht den menschlichen Experten; stattdessen fungiert es wie ein hochqualifizierter Assistent, der das Rauschen und die Fehlalarme herausfiltert, damit sich der Mensch auf die eigentliche Arbeit konzentrieren kann. Die KI lernte, wie ein Physiker zu denken, indem sie sowohl die Hauptindizien als auch den umgebenden Kontext nutzt, um die richtige Entscheidung zu treffen.

Technische Zusammenfassung: Verbesserung der peakbasierten Nuklididentifizierung in der HPGe- $\gamma$ -Spektrometrie mittels Maschinellem Lernen und SHAP

Problemstellung
Die hochreine Germanium-Gammastrahlungsdetektion (HPGe) ist essenziell für die Analyse komplexer radioaktiver Proben, insbesondere in der Nuklearforensik. Die Identifizierung von Radionukliden (Nuclide Identification oder NID) in diesen Spektren ist jedoch ein zeitintensiver Prozess, der eine manuelle Überprüfung und das Nachpassen von Fotopeaks durch Experten sowie die Nutzung kommerzieller Software erfordert. Obwohl Software die NID unterstützt, müssen Analysten die vorgeschlagene Liste der Nuklide häufig manuell korrigieren, insbesondere bei überlappenden Peaks oder komplexen Isotopenkombinationen. Da das Volumen der zu analysierenden Proben steigt, schafft die Abhängigkeit von manuellen Eingriffen einen Engpass für eine zeitnahe und präzise Entscheidungsfindung. Die Herausforderung besteht darin, diesen Prozess zu automatisieren, ohne die physikalische Stringenz und das Expertenurteil zu opfern, die derzeit in den Arbeitsablauf eingebettet sind.

Methodik
Die Autoren entwickelten und evaluierten überwachte Modelle des maschinellen Lernens (ML), um sorgfältig angepasste Fotopeak-Flächen aus HPGe-Spektren auf NID-Ergebnisse für eine Bibliothek von 65 Radioisotopen abzubilden.

Datenquelle: Die Studie nutzte etwa 1.600 gut beschriftete experimentelle HPGe-Gamma-Spektren, die während der Nuklearforensik-F&E am Pacific Northwest National Laboratory (PNNL) gesammelt wurden. Diese Spektren enthielten über 800 einzigartige Isotopenkombinationen. Ein Holdout-Datensatz von 123 Spektren aus aktuelleren Arbeiten wurde verwendet, um die Generalisierbarkeit zu testen.
Feature Engineering: Fotopeaks wurden zunächst mit kommerzieller Software (Apex-Gamma) lokalisiert und gefittet und anschließend von Experten analysiert und nachgepasst. Um ML-Inputs zu erstellen, wurden die Peak-Flächen auf einen festen Vektor von 359 Einträgen abgebildet, die den bekannten Gamma-Emissionsenergien der 65 Isotope entsprechen.
- Eine logarithmische Reskalierungsmethode (Gl. 1 und 2) wurde auf die Peak-Flächen angewendet. Dieser Ansatz erwies sich als vorteilhaft für die Konvergenz des Modells und die numerische Stabilität im Vergleich zu Standard-Min-Max-Skalierung oder effizienzbasierter Skalierung, da er den Dynamikbereich der Peak-Flächen komprimierte und gleichzeitig die relativen Beziehungen bewahrte.
Modellarchitekturen: Drei verschiedene Architekturen wurden trainiert und mittels Bayesscher Optimierung optimiert:
1. XGBoost (XGB): Extreme Gradient Boosted Decision Trees, ausgewählt aufgrund ihrer Eignung für tabellarische Daten.
2. Multi-label Dense Neural Networks (DNN): Entwickelt, um Muster und Korrelationen über das Multi-Label-Szenario hinweg zu erlernen.
3. Binary Relevance (BR) DNNs: Ein Ensemble aus binären Klassifikatoren, jeweils einer für jedes Ziel-Nuklid.
Evaluationsmetriken: Die Modelle wurden mittels Recall, Precision und dem F1-Score (harmonisches Mittel aus Precision und Recall) über eine 5-fache Kreuzvalidierung bewertet.
Erklärbarkeit: Shapley Additive Explanations (SHAP) wurden eingesetzt, um die Vorhersagen der Modelle zu interpretieren. Konkret wurde Deep SHAP für DNNs und Tree SHAP für XGB-Modelle verwendet, um die Bedeutung spezifischer Fotopeaks bei der Steuerung der Vorhersagen zu quantifizieren.

Kernergebnisse

Leistungssuperiorität: Das XGBoost-Modell erreichte die höchste Leistung mit einem F1-Score von 0,967 auf dem Testdatensatz und übertraf damit das Multi-Label-DNN (0,947) und das Binary Relevance DNN (0,952).
Vergleich mit kommerzieller Software: Im Vergleich zu Genie 2000 (einer Standard-Software für die Spektroskopie) unter Verwendung einer identischen Nuklidbibliothek von 65 Isotopen, übertrafen die ML-Modelle die traditionelle Methode signifikant.
- Auf dem Testdatensatz erreichte Genie 2000 einen F1-Score von 0,839, während XGB 0,967 erreichte.
- Auf dem unabhängigen Holdout-Datensatz von 123 Spektren erreichte das beste ML-Modell einen F1 von 0,92, verglichen mit 0,80 für Genie 2000.
- Der primäre Treiber dieser Verbesserung war eine drastische Reduzierung von falsch-positiven Ergebnissen; die ML-Modelle waren weniger anfällig für die Überschätzung der Präsenz von Nukliden als die vorlagenbasierten Methoden der kommerziellen Software.
Robustheit in spezifischen Szenarien: Die ML-Modelle zeigten eine überlegene Leistung in anspruchsvollen Szenarien, wie etwa der Identifizierung von Isotopen mit energetisch nahe beieinander liegenden Gamma-Strahlen (z. B. Cd-109 vs. Pb-Röntgenstrahlen) oder kurzlebigen Tochterisotopen (z. B. Nb-97), bei denen der Kontext des Mutterisotops entscheidend ist.
Erkenntnisse zur Erklärbarkeit: Die SHAP-Analyse bestätigte, dass die Modelle auf physikalisch relevanten Merkmalen basieren:
- Der stärkste Fotopeak für jedes Isotop wies konsistent den höchsten SHAP-Wert auf.
- Die Modelle nutzten erfolgreich den spektralen Kontext, wie etwa das Vorhandensein eines Peaks eines Mutterisotops (z. B. Zr-97), um die Identifizierung eines Tochterisotops (z. B. Nb-97) zu stützen.
- XGB-Modelle neigten dazu, sich auf weniger, aber stärker gewichtete Merkmale zu verlassen, während DNNs die Bedeutung gleichmäßiger über die Merkmale verteilten.

Bedeutung und Behauptungen
Das Paper behauptet, dass überwachte ML-Modelle, insbesondere XGBoost, als effektives, experteninformiertes, automatisiertes Werkzeug dienen können, um die initiale Liste der vorgeschlagenen Radionuklide für einen Analysten zu verbessern. Durch die Abbildung gefitteter Fotopeaks auf NID-Ergebnisse können diese Modelle die Arbeitslast von Spektroskopisten reduzieren, indem sie eine kleinere, aber hochgradig genaue (fast perfekte Recall) Liste von Kandidaten bereitstellen, was die anschließende Quantifizierung effektiver vorantreibt.

Ein wesentlicher Beitrag dieser Arbeit ist die Anwendung von SHAP zur Erklärung der Bedeutung spezifischer Fotopeaks in der ML-basierten NID. Die Autoren behaupten, dies sei die erste Publikation, die diese Werkzeuge nutzt, um zu demonstrieren, dass ML-Modelle auf physikalisch relevanten Fotopeaks und breiteren spektralen Kontexten (wie etwa Mutter-Tochter-Beziehungen) anstatt auf Scheinkorrelationen beruhen. Diese Interpretierbarkeit ist entscheidend für den Aufbau von Vertrauen in automatisierte Systeme innerhalb der Nuklearforensik-Gemeinschaft.

Die Studie kommt zu dem Schluss, dass die Leistung der ML-Modelle zwar exzellent ist, aber durch die Unterstützung (Häufigkeit) spezifischer Nuklide in den Trainingsdaten begrenzt wird. Die Autoren schlagen vor, dass zukünftige Verbesserungen durch die Einbeziehung hochgradig realistischer synthetischer Spektren erfolgen könnten, um die Generalisierung für seltene Isotope zu verbessern, halten jedoch fest, dass der aktuelle Ansatz bereits einen signifikanten Fortschritt gegenüber traditionellen softwarebasierten NID-Methoden darstellt.