Unsupervised domain adaptation for radioisotope identification in gamma spectroscopy

Cette étude démontre que l'adaptation de domaine non supervisée, en particulier via la minimisation de la divergence maximale de moments (MMD), permet d'améliorer significativement la capacité d'un modèle d'identification de radioisotopes, entraîné sur des données synthétiques, à se généraliser à des environnements expérimentaux réels en utilisant des données cibles non étiquetées.

L'essentiel

🌍 Le Problème : L'Élève qui étudie dans une salle de classe, mais qui doit passer l'examen dans la vraie vie

Imaginez que vous voulez apprendre à un élève (une intelligence artificielle) à reconnaître des objets dangereux, comme des bombes ou des matériaux radioactifs, en regardant des images de rayons X (des spectres gamma).

Le problème, c'est que dans la vraie vie, il est très difficile, cher et dangereux de réunir assez d'exemples réels pour l'entraîner. C'est comme essayer d'apprendre à nager en ayant peur de l'eau : vous ne pouvez pas vous entraîner avec de vraies bombes partout !

Alors, les scientifiques utilisent des simulations (des mondes virtuels très réalistes) pour créer des milliers d'exemples d'entraînement. C'est comme si l'élève apprenait à nager dans une piscine virtuelle parfaite, avec une eau calme et une température idéale.

Le hic ? Quand on sort cet élève de la piscine virtuelle pour le mettre dans la vraie mer (le monde réel), il panique. L'eau est plus froide, il y a des vagues, et il y a du bruit. L'intelligence artificielle, entraînée uniquement sur des données simulées, se trompe souvent quand elle rencontre de vraies données. C'est ce qu'on appelle le "fossé simulation-réalité".

🚀 La Solution : L'Adaptation de Domaine "Sans Dictionnaire"

C'est là que cette étude intervient. Les chercheurs ont développé une méthode appelée l'adaptation de domaine non supervisée (UDA).

Voici l'analogie pour comprendre :
Imaginez que vous apprenez à conduire une voiture en France (le monde virtuel/simulé). Vous connaissez parfaitement les règles, la route et le trafic. Mais un jour, vous devez conduire en Angleterre (le monde réel).

• Vous n'avez pas de professeur pour vous dire "Attention, ici on roule à gauche !" (pas d'étiquettes/réponses pour les données réelles).
• Pourtant, vous avez accès à la route anglaise pour vous entraîner, vous pouvez juste regarder sans savoir exactement où sont les pièges.

La méthode UDA, c'est comme un coach intelligent qui vous dit : "Regarde, la façon dont tu tiens le volant en France et la façon dont tu le tiens en Angleterre sont différentes. Ajuste ta posture pour que tes mouvements ressemblent à ceux qu'on attend ici, même si tu ne connais pas encore les règles exactes."

En termes techniques, l'IA apprend à ignorer les différences inutiles entre la simulation et la réalité (comme le bruit de fond ou la qualité de l'appareil) pour se concentrer sur ce qui compte vraiment : la signature de la radioactivité.

🔍 Ce qu'ils ont découvert (Les Résultats)

Les chercheurs ont testé plusieurs méthodes pour faire ce "coachage". Ils ont comparé différentes architectures de réseaux de neurones (des cerveaux artificiels de tailles différentes) et différentes techniques d'adaptation.

Voici les points clés de leur découverte :

1. La méthode "MMD" (Maximum Mean Discrepancy) est la championne :
   Imaginez que vous essayez de faire correspondre deux nuages de points (un nuage de données simulées et un nuage de données réelles). La méthode MMD est comme un aimant invisible qui tire doucement les deux nuages l'un vers l'autre jusqu'à ce qu'ils se superposent parfaitement. C'est la méthode qui a donné les meilleurs résultats.

2. Le résultat est spectaculaire :

   • Avant l'adaptation : L'IA, entraînée sur la simulation, avait environ 75 % de réussite sur des données réelles (elle se trompait 1 fois sur 4).
   • Après l'adaptation : Grâce à la méthode MMD, la réussite est passée à 90 % !
   • C'est comme si un élève qui ratait un examen sur 4 questions en réussissait maintenant 9 sur 10, simplement en s'ajustant à l'environnement réel.

3. L'IA devient plus "sage" :
   Avant, l'IA se trompait souvent à cause de détails parasites (comme un petit pic de bruit sur le graphique). Après l'adaptation, elle apprend à ignorer ces distractions et se concentre sur les vraies preuves, comme un détective qui ne se laisse plus berner par de fausses pistes.

💡 En résumé

Cette recherche nous dit que nous n'avons pas besoin de milliers d'exemples réels étiquetés pour entraîner une IA de détection radioactive. Nous pouvons l'entraîner sur des simulations, puis utiliser une technique astucieuse pour "l'ajuster" aux conditions réelles en utilisant simplement des données brutes (sans étiquettes).

C'est une avancée majeure pour la sécurité nationale, la protection contre les radiations et la recherche scientifique, car cela rend ces technologies beaucoup plus fiables et plus faciles à déployer dans le monde réel.

L'analogie finale : C'est comme passer d'un entraînement en studio de cinéma (où tout est parfait et contrôlé) à un tournage sur le terrain (avec la pluie, le vent et les imprévus), en apprenant à l'acteur à rester dans son rôle malgré le chaos, sans qu'on ait besoin de lui répéter chaque ligne de dialogue.

Résumé technique

1. Problématique

L'identification de radioisotopes par spectroscopie gamma est cruciale pour la sécurité nationale, la surveillance des installations nucléaires et la radioprotection. Cependant, l'entraînement de modèles d'apprentissage automatique performants se heurte à deux obstacles majeurs :

• Le manque de données étiquetées réelles : L'acquisition et l'annotation de grands ensembles de données expérimentales sont coûteuses et chronophages.
• Le fossé simulation-réalité (Sim-to-Real Gap) : Les modèles entraînés sur des données synthétiques (simulées) voient leurs performances se dégrader considérablement lorsqu'ils sont déployés dans des environnements opérationnels réels en raison de décalages de domaine (bruit, réponse du détecteur, blindage, etc.).

Les techniques supervisées classiques ne peuvent pas exploiter les données expérimentales non étiquetées disponibles car l'absence d'étiquettes empêche la définition d'une fonction de perte de classification supervisée.

2. Méthodologie

L'étude propose d'utiliser l'Adaptation de Domaine Non Supervisée (UDA) pour combler ce fossé. L'objectif est d'aligner les représentations de caractéristiques (features) d'un domaine source (données synthétiques étiquetées) vers un domaine cible (données expérimentales non étiquetées).

Architecture des Modèles

Les auteurs comparent plusieurs architectures de réseaux de neurones :

• MLP (Perceptron Multicouche) : Traitement des spectres comme des listes 1D.
• CNN (Réseaux de Neurones Convolutifs) : Utilisation de convolutions 1D pour capturer la structure spatiale locale.
• TBNN (Réseaux de Neurones basés sur Transformers) : Utilisation du mécanisme d'attention pour capturer les corrélations à longue portée dans le spectre (ex: désintégrations multiples). L'étude compare des variantes avec des embeddings linéaires et non linéaires.

Techniques d'Adaptation de Domaine (UDA)

Sept méthodes UDA ont été évaluées pour aligner les distributions de caractéristiques entre le source et la cible :

1. ADDA (Adversarial Discriminative Domain Adaptation) : Entraînement adversarial d'un extracteur de caractéristiques cible pour tromper un discriminateur de domaine.
2. DAN (Deep Adaptation Networks) : Minimisation de la Discrépance Maximale Moyenne (MMD) entre les vecteurs de caractéristiques source et cible dans un espace de Hilbert à noyau reproduisant (RKHS).
3. DANN (Domain Adversarial Neural Networks) : Entraînement adversarial du extracteur de caractéristiques pour apprendre des représentations invariantes au domaine.
4. DeepCORAL : Alignement des statistiques d'ordre deux (matrices de covariance) des distributions source et cible.
5. DeepJDOT : Alignement des distributions conjointes (caractéristiques et étiquettes) via le transport optimal.
6. Mean Teacher : Utilisation d'un modèle "enseignant" (moyenne mobile exponentielle des poids) pour assurer la cohérence prédictive sous bruit.
7. SimCLR : Apprentissage auto-supervisé par contraste de vues stochastiques du même spectre.

Scénarios de Données

L'étude a été menée sur trois scénarios :

• Sim-to-Sim (HPGe) : Source et cible simulées (GADRAS vs Geant4). Le décalage est principalement dû à un "concept shift" (différences de réponse du détecteur simulé).
• Sim-to-Real (LaBr3 et NaI(Tl)) : Source simulée (GADRAS) vs Cible expérimentale (détecteurs portables LaBr3 et NaI(Tl)). Ce scénario inclut des décalages de covariables, de prior et de concept.

3. Contributions Clés

• Validation de l'UDA pour la spectroscopie gamma : Démonstration que l'alignement de domaine non supervisé permet d'adapter efficacement des modèles pré-entraînés sur des données synthétiques à des données réelles non étiquetées.
• Comparaison exhaustive : Évaluation systématique de sept méthodes UDA sur trois architectures de modèles (MLP, CNN, Transformer) et trois scénarios de données.
• Analyse approfondie des performances : Au-delà de la simple précision, l'étude utilise des métriques de diagnostic (calibration, incertitude, sensibilité, interprétabilité via SHAP) pour prouver l'amélioration qualitative des modèles.
• Identification de la méthode optimale : Mise en évidence du fait que la minimisation de la MMD (via DAN) et l'approche adversaire (DANN) sont les plus robustes, en particulier avec les architectures Transformer.

4. Résultats

Performance Quantitative

• Scénario Sim-to-Real (LaBr3) : L'approche UDA a permis des améliorations significatives. Par exemple, le modèle DAN avec un Transformer (TBNN-LinEmb) a atteint une précision de 0,904 ± 0,022, contre 0,754 ± 0,014 pour le modèle entraîné uniquement sur la source (amélioration de ~15 points de pourcentage).
• Scénario Sim-to-Sim : Les gains sont plus modestes mais statistiquement significatifs, confirmant que le "concept shift" (différences fondamentales de réponse du détecteur) est plus difficile à corriger sans étiquettes cibles.
• Robustesse statistique : Des tests de Wilcoxon montrent que les modèles adaptés (notamment DAN et DANN avec des Transformers) surpassent significativement les modèles source-only dans la majorité des comparaisons (30/35 pour LaBr3).

Analyse Qualitative et Interprétabilité

• Visualisation UMAP : Dans le scénario Sim-to-Real, l'alignement des clusters en 2D n'est pas toujours visuellement parfait, mais les performances augmentent, suggérant que l'alignement se fait dans un espace de haute dimension complexe pertinent pour la frontière de décision.
• Analyse SHAP : L'analyse révèle que les modèles source-only tendent à se fier à des artefacts du détecteur (ex: pics X intrinsèques du LaBr3 à 32 keV) pour faire des prédictions erronées. En revanche, les modèles adaptés (DAN) apprennent à ignorer ces artefacts et se concentrent sur les pics physiques pertinents (ex: la raie à 1460 keV du Potassium-40), réduisant ainsi le surapprentissage (overfitting) aux bruits spécifiques au domaine source.
• Calibration : Les modèles UDA présentent une meilleure calibration des probabilités et une incertitude prédictive plus fiable.

5. Signification et Impact

Cette recherche démontre que l'adaptation de domaine non supervisée est un outil pratique et puissant pour le déploiement de l'intelligence artificielle dans la spectroscopie gamma. Elle permet de :

1. Réduire la dépendance aux données étiquetées : En exploitant les vastes quantités de données non étiquetées disponibles sur le terrain.
2. Améliorer la généralisation : En rendant les modèles robustes aux variations de détecteurs et aux conditions environnementales réelles.
3. Accélérer le déploiement opérationnel : En permettant l'utilisation de modèles pré-entraînés sur des simulations, tout en les adaptant rapidement à de nouveaux capteurs sans nécessiter de collecte massive de données étiquetées.

En conclusion, l'étude valide que des techniques avancées d'adaptation de domaine, couplées à des architectures modernes comme les Transformers, peuvent surmonter le fossé simulation-réalité, ouvrant la voie à des systèmes d'identification de radioisotopes plus fiables et déployables dans des scénarios de sécurité nationale et de radioprotection.