🔬 physics

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

Cet article présente une approche d'apprentissage automatique supervisé pour automatiser l'identification des nucléides en spectrométrie gamma HPGe, laquelle atteint un score F1 supérieur de 0,97 par rapport aux logiciels traditionnels (0,84) et utilise les valeurs SHAP pour confirmer que le modèle s'appuie sur des pics photoélectriques physiquement pertinents pour ses prédictions.

Auteurs originaux : Samuel Emmons, Kelly Truax, Maurice Lonsway, Bruce Pierson, Brian Archambault

Publié 2026-06-16

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Samuel Emmons, Kelly Truax, Maurice Lonsway, Bruce Pierson, Brian Archambault

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Le Problème : Trouver des aiguilles dans une botte de foin

Imaginez que vous avez une boîte géante de briques Lego mélangées. Certaines sont rouges, d'autres bleues, certaines sont minuscules et d'autres énormes. Votre travail consiste à regarder un tas de ces briques et à dire à un ami exactement quelles couleurs et quelles formes spécifiques se trouvent dans ce tas.

Dans le monde réel, les scientifiques utilisent des détecteurs spéciaux (appelés détecteurs HPGe) pour observer des échantillons radioactifs. Ces détecteurs produisent un « spectre », qui est comme un graphique complexe de pics et de vallées. Chaque « pic » représente un type spécifique d'atome radioactif (un nucléide) émettant de l'énergie.

Le problème est que ces spectres sont désordonnés. Les pics se chevauchent, certains sont très faibles, et il existe des centaines de types d'atomes différents à rechercher. Traditionnellement, des experts humains doivent s'asseoir, examiner le graphique, ajuster parfaitement les pics et utiliser des logiciels standards (comme Genie 2000) pour deviner quels atomes sont présents. C'est lent, fatigant et, parfois, le logiciel se trompe en suggérant des atomes qui ne sont pas réellement présents (fausses alertes).

La Solution : Former un assistant intelligent

Les auteurs de cet article ont voulu construire un « assistant intelligent » en utilisant l'Apprentissage Automatique (Machine Learning - ML) pour aider les experts. Au lieu de donner à l'ordinateur l'intégralité du graphique désordonné, ils lui ont donné une « liste de courses » des pics les plus importants que les experts avaient déjà identifiés et mesurés.

Ils ont enseigné à deux types d'étudiants IA de regarder cette liste et de décider quels atomes sont présents :

XGBoost : Voyez cela comme une équipe de détectives qui posent une série de questions de type « Oui/Non » pour réduire la liste des suspects.
DNN (Réseaux de neurones profonds) : Voyez cela comme un super-cerveau qui recherche des motifs complexes et des connexions à travers toute la liste en même temps.

Les Résultats : Qui a gagné le concours ?

L'équipe a testé ces modèles d'IA par rapport au logiciel traditionnel (Genie 2000) en utilisant environ 1 600 exemples réels d'échantillons radioactifs.

Le Score : Les modèles d'IA étaient bien meilleurs pour accomplir la tâche. Le meilleur modèle d'IA (XGBoost) a obtenu un score de 0,97 (sur 1,0), tandis que le logiciel traditionnel n'a obtenu que 0,84.
La Victoire Principale : La plus grande victoire n'était pas seulement de trouver les bons atomes ; c'était de ne pas trouver les mauvais. Le logiciel traditionnel était comme un garde de sécurité qui crie « Intrusion ! » chaque fois qu'une ombre bouge. Les modèles d'IA étaient plus intelligents ; ils ne criaient « Intrusion ! » que lorsqu'ils en étaient vraiment sûrs. Cela signifie moins de fausses alertes pour les experts humains.

Le « Pourquoi » : Le miroir magique (SHAP)

L'un des aspects les plus importants de cet article est que les auteurs ne se sont pas contentés de dire : « L'IA fonctionne ». Ils voulaient savoir comment elle fonctionne. Ils ont utilisé un outil appelé SHAP (qui agit comme un miroir magique) pour voir exactement quels indices l'IA utilisait pour prendre ses décisions.

Ils ont découvert que l'IA ne faisait pas que deviner ; elle utilisait une logique basée sur la physique :

L'indice principal : Si l'IA pense que le « Cadmium-109 » est présent, elle regarde principalement le pic spécifique du Cadmium.
L'indice de contexte : L'IA regarde également la « famille ». Par exemple, si elle voit un atome à courte durée de vie comme le Niobium-97, elle vérifie si son « parent », le Zirconium-97, est également présent. Si le parent est absent, l'IA sait que l'enfant ne devrait probablement pas être là non plus. Le logiciel traditionnel manque souvent ce lien familial.
L'indice de « contexte » : L'IA comprend qu'un pic d'une certaine hauteur peut signifier une chose s'il est seul, mais autre chose s'il est entouré d'autres pics spécifiques.

Les Limites : Quand l'IA est confuse

L'article admet que l'IA n'est pas parfaite.

Éléments rares : Si un atome spécifique apparaît très rarement dans les données d'entraînement (comme une pièce de Lego rare qui n'apparaît que 3 % du temps), l'IA a parfois du mal à l'identifier correctement.
Mauvaises étiquettes : Si les experts humains ont commis des erreurs lors de l'étiquetage des données d'entraînement (en disant par exemple « Ceci est l'Atome A » alors qu'il s'agissait de l'« Atome B »), l'IA est confuse. Elle apprend des erreurs qui lui ont été enseignées.

En résumé

Cet article montre qu'en apprenant aux ordinateurs à regarder la « liste de courses » des pics radioactifs, nous pouvons créer un outil plus rapide et plus précis que les méthodes actuelles. Il ne remplace pas l'expert humain ; il agit plutôt comme un assistant hautement qualifié qui filtre le bruit et les fausses alertes, permettant à l'humain de se concentrer sur le travail réel. L'IA a appris à penser comme un physicien, en utilisant à la fois les indices principaux et le contexte environnant pour prendre la bonne décision.

Résumé technique : Amélioration de l'identification des nucléides basée sur les pics en spectrométrie $\gamma$ HPGe par l'apprentissage automatique et SHAP

Énoncé du problème
La spectrométrie gamma à germanium de haute pureté (HPGe) est essentielle pour l'analyse d'échantillons radioactifs complexes, particulièrement en forensique nucléaire. Cependant, l'identification des radionucléides (Identification de Nucléides ou NID) dans ces spectres est un processus chronophage qui nécessite l'intervention d'analystes experts pour réviser et réajuster manuellement les pics photoélectriques, souvent à l'aide de logiciels commerciaux. Bien que les logiciels assistent le processus, les analystes doivent fréquemment modifier manuellement la liste suggérée de nucléides, notamment lors de la présence de pics chevauchants ou de combinaisons isotopiques complexes. À mesure que le volume d'échantillons nécessitant une analyse augmente, la dépendance à l'intervention manuelle crée un goulot d'étranglement pour une prise de décision rapide et précise. Le défi consiste à automatiser ce processus sans sacrifier la rigueur physique et le jugement d'expert actuellement ancrés dans le flux de travail.

Méthodologie
Les auteurs ont développé et évalué des modèles d'apprentissage automatique (ML) supervisés pour cartographier les aires de pics photoélectriques soigneusement ajustées à partir de spectres HPGe vers des résultats de NID pour une bibliothèque de 65 radioisotopes.

Source de données : L'étude a utilisé environ 1 600 spectres gamma HPGe bien étiquetés, collectés au Pacific Northwest National Laboratory (PNNL) lors de la R&D en forensique nucléaire. Ces spectres contenaient plus de 800 combinaisons isotopiques uniques. Un ensemble de test (holdout set) de 123 spectres issus de travaux récents a été utilisé pour tester la généralisabilité.
Ingénierie des caractéristiques (Feature Engineering) : Les pics photoélectriques ont été initialement localisés et ajustés à l'aide d'un logiciel commercial (Apex-Gamma), puis révisés et réajustés par des analystes experts. Pour créer les entrées de ML, les aires de pics ont été mappées vers un vecteur fixe de 359 entrées correspondant aux énergies d'émission gamma connues des 65 isotopes.
- Une méthode de mise à l'échelle logarithmique (Éqs. 1 et 2) a été appliquée aux aires de pics. Cette approche s'est avérée améliorer la convergence du modèle et la stabilité computationnelle par rapport à une mise à l'échelle min-max standard ou une mise à l'échelle basée sur l'efficacité, car elle a compressé la plage dynamique des aires de pics tout en préservant les relations relatives.
Architectures de modèles : Trois architectures distinctes ont été entraînées et optimisées via l'optimisation bayésienne :
1. XGBoost (XGB) : Arbres de décision boostés par gradient extrême, sélectionnés pour leur aptitude avec les données tabulaires.
2. Réseaux de neurones profonds (DNN) multi-labels : Conçus pour apprendre les motifs et les corrélations à travers le scénario multi-label.
3. DNN de pertinence binaire (BR) : Un ensemble de classificateurs binaires, un pour chaque nucléide cible.
Métriques d'évaluation : Les modèles ont été évalués à l'aide du Rappel (Recall), de la Précision et du score F1 (moyenne harmonique de la précision et du rappel) via une validation croisée à 5 plis (5-fold cross-validation).
Explicabilité : Les explications de Shapley (SHAP) ont été employées pour interpréter les prédictions des modèles. Plus précisément, Deep SHAP a été utilisé pour les DNN et Tree SHAP pour les modèles XGB afin de quantifier l'importance de pics photoélectriques spécifiques dans la conduite des prédictions.

Résultats clés

Supériorité de performance : Le modèle XGBoost a obtenu la meilleure performance, avec un score F1 de 0,967 sur l'ensemble de test, surpassant le DNN multi-label (0,947) et le DNN de pertinence binaire (0,952).
Comparaison avec le logiciel commercial : Comparés à Genie 2000 (un logiciel de spectrométrie commercial standard) utilisant une bibliothèque de nucléides identique de 65 isotopes, les modèles de ML ont significativement surpassé la méthode traditionnelle.
- Sur l'ensemble de test, Genie 2000 a obtenu un score F1 de 0,839, tandis que XGB a atteint 0,967.
- Sur l'ensemble de test indépendant de 123 spectres, le meilleur modèle de ML a obtenu un F1 de 0,92, contre 0,80 pour Genie 2000.
- Le principal moteur de cette amélioration a été une réduction drastique des faux positifs ; les modèles de ML étaient moins enclins à surestimer la présence de nucléides par rapport aux méthodes basées sur des modèles (templates) du logiciel commercial.
Robustesse dans des scénarios spécifiques : Les modèles de ML ont démontré une performance supérieure dans des scénarios difficiles, tels que l'identification d'isotopes dont les rayons gamma sont proches en énergie d'autres (ex: Cd-109 vs rayons X de Pb) ou les noyaux fils à vie courte (ex: Nb-97) où le contexte de l'isotope parent est critique.
Résultats de l'explicabilité : L'analyse SHAP a confirmé que les modèles s'appuient sur des caractéristiques physiquement pertinentes :
- Le pic photoélectrique le plus fort pour n'importe quel isotope détenait systématiquement la valeur SHAP la plus élevée.
- Les modèles ont utilisé avec succès le contexte spectral, tel que la présence du pic d'un isotope parent (ex: Zr-97) pour soutenir l'identification d'un noyau fils (ex: Nb-97).
- Les modèles XGB avaient tendance à s'appuyer sur un nombre plus restreint de caractéristiques plus fortement pondérées, tandis que les DNN distribuaient l'importance de manière plus uniforme sur les caractéristiques.

Signification et affirmations
L'article affirme que les modèles de ML supervisés, spécifiquement XGBoost, peuvent servir d'outil automatisé efficace et informé par l'expert pour améliorer l'ensemble initial de radionucléides suggérés à un analyste. En mappant les pics photoélectriques ajustés vers les résultats de NID, ces modèles peuvent réduire la charge de travail des spectroscopistes en fournissant une liste de candidats plus restreinte, mais hautement précise (rappel quasi parfait), pilotant ainsi plus efficacement la quantification ultérieure.

Une contribution distincte de ce travail est l'application de SHAP pour expliquer l'importance de pics photoélectriques spécifiques dans la NID basée sur le ML. Les auteurs affirment qu'il s'agit de la première publication utilisant ces outils pour démontrer que les modèles de ML reposent sur des pics photoélectriques physiquement pertinents et sur des contextes spectraux plus larges (tels que les relations parent-fils) plutôt que sur des corrélations spécieuses. Cette interprétabilité est cruciale pour instaurer la confiance dans les systèmes automatisés au sein de la communauté de la forensique nucléaire.

L'étude conclut que, bien que les modèles de ML excellent dans la NID, leurs performances sont limitées par le support (fréquence) de nucléides spécifiques dans les données d'entraînement. Les auteurs suggèrent que les améliorations futures pourraient impliquer l'incorporation de spectres synthétiques de haute fidélité pour mieux généraliser pour les isotopes rares, mais ils soutiennent que l'approche actuelle offre déjà une avancée significative par rapport aux méthodes traditionnelles de NID basées sur les logiciels.