Machine Learning Classification for Irradiated Material Gamma Ray Spectra

Sintesi Tecnica: Classificazione tramite Machine Learning per Spettri Gamma di Materiali Irradiati

Definizione del Problema
L'identificazione accurata e tempestiva di materiali nucleari irradiati è una sfida critica nella sicurezza nucleare, nel monitoraggio ambientale e nella verifica delle salvaguardie. L'analisi gamma tradizionale si basa su metodi di ricerca dei picchi che richiedono l'intervento di esperti, una calibrazione dell'efficienza accurata e tempi significativi, spesso fallendo nel sfruttare appieno la forma spettrale completa dei dati. Sebbene i recenti progressi nel Machine Learning (ML) mostrino una promettente capacità di automazione della spettroscopia, la letteratura esistente si concentra prevalentemente sull'identificazione di singoli isotopi o si basa su dataset simulati che mancano della complessità delle misurazioni sperimentali reali. Inoltre, la classificazione di matrici ambientali attivate da neutroni termici, dove le caratteristiche spettrali evolvono continuamente con il tempo di raffreddamento post-irraggiamento, rimane un vuoto non affrontato nella letteratura ML sulla spettroscopia. Questo studio risponde alla necessità di una pipeline di ML robusta e generalizzabile capace di gestire tempi di acquisizione variabili, risoluzioni dei detector e l'evoluzione spettrale dinamica in dataset sperimentali.

Metodologia
Lo studio valuta una pipeline completa di classificazione ML applicata a spettri gamma sperimentali raccolti da due strutture: il Georgia Institute of Technology e l'Università del Texas ad Austin (UT Austin). Il dataset include sorgenti a singolo isotopo (133Ba, 60Co, 137Cs, 152Eu, 22Na) e matrici ambientali certificate NIST (carbone, suolo, foglie di pomodoro, ossido di uranio naturale) irradiate presso il reattore TRIGA di UT Austin. Le misurazioni sono state acquisite simultaneamente utilizzando tre tipi di detector: Ioduro di Sodio (NaI(Tl)), Tellururo di Cadmio e Zinco (CZT) e Germanio ad Alta Purezza (HPGe).

La metodologia impiega una rigorosa pipeline di pre-elaborazione in cinque fasi, progettata per creare una rappresentazione degli spettri indipendente dal detector e fisicamente significativa:

1. Normalizzazione dei conteggi al secondo (CPS): Converte i conteggi grezzi in tassi di conteggio per tenere conto della variabilità dei tempi di acquisizione.
2. Interpolazione: Ricampiona gli spettri su una griglia di energia comune di 3001 punti (0–3000 keV) per unificare i conteggi dei canali tra i diversi detector.
3. Normalizzazione dell'area totale: Divide per l'area integrata per concentrarsi sulla forma spettrale piuttosto che sull'intensità assoluta.
4. Trasformazione Log1p: Comprime l'intervallo dinamico tra i picchi fotoelettrici e il continuo Compton, gestendo i canali con conteggio zero senza produrre infinito negativo.
5. Aumento del rumore di Poisson: Applicato ai conteggi interi grezzi prima della pre-elaborazione per aumentare la dimensione effettiva del set di addestramento preservando la corretta statistica di conteggio.

La riduzione della dimensionalità viene eseguita tramite Analisi delle Componenti Principali (PCA), mantenendo un numero sufficiente di componenti per spiegare il 95% della varianza (risultando in 4 componenti per gli isotopi singoli e da 4 a 13 per i campioni irradiati). Si valutano tre classificatori sotto una strategia di Leave-One-Out Cross-Validation (LOO-CV): Random Forest (RF), Support Vector Machine (SVM) con kernel RBF e k-Nearest Neighbors (KNN).

Contributi Chiave
Questo lavoro si distingue dalla letteratura esistente attraverso tre contributi:

1. Validazione Sperimentale su Matrici Complesse: A differenza degli studi precedenti basati su simulazioni o compiti a singolo isotopo, questo lavoro valuta la classificazione su spettri completamente sperimentali di matrici ambientali attivate da neutroni, senza alcun dato simulato nella pipeline.
2. Gestione dell'Evoluzione Temporale: Affronta la classificazione di spettri che cambiano continuamente con il tempo di raffreddamento post-irraggiamento, una dinamica precedentemente non affrontata nella letteratura della spettroscopia ML.
3. Aumento Cross-Detector e Fisicamente Motivato: Lo studio consente il confronto diretto tra detector CZT, HPGe e NaI utilizzando pipeline identiche. Inoltre, applica l'aumento del rumore di Poisson ai conteggi grezzi anziché alle feature elaborate, preservando la statistica fisica del processo di misurazione.

Risultati

• Sorgenti a Singolo Isotopo: Tutti e tre i classificatori (RF, SVM, KNN) hanno ottenuto un'accuratezza osservata perfetta (1.000) attraverso tutti i tipi di detector, validando la capacità della pipeline di distinguere picchi fotoelettrici ben risolti.
• Campioni Irradiati Complessi:
  • Detector NaI e CZT: Tutti e tre i classificatori hanno raggiunto un'accuratezza perfetta (1.000) e un Coefficiente di Correlazione di Matthews (MCC) di 1.000 sui campioni irradiati complessi.
  • Detector HPGe: RF e KNN hanno raggiunto un'accuratezza perfetta (1.000). La SVM ha ottenuto un'accuratezza di 0.974, con un singolo errore di classificazione di uno spettro di foglia di pomodoro acquisito vicino a 2.000 minuti post-irraggiamento. Questo errore si è verificato perché la componente a breve decadimento del 24Na è decaduta, facendo sì che la forma spettrale somigliasse al fondo; il margine di decisione della SVM era meno tollerante verso questo drift rispetto ai metodi basati su ensemble (RF) o vicinato (KNN).
• Affidabilità Statistica: Gli intervalli di confidenza al 95% di Clopper-Pearson indicano che, sebbene l'accuratezza osservata sia elevata, l'accuratezza reale della popolazione potrebbe essere plausibilmente inferiore (ad esempio, limiti inferiori intorno a 0.86–0.90) a causa del piccolo campione (5–8 spettri per classe).
• Confidenza della Predizione: L'analisi della confidenza della predizione ha rivelato una divergenza tra accuratezza e affidabilità. Ad esempio, le misurazioni CZT dell'ossido di uranio con tempi di conteggio brevi (5 minuti) sono state classificate correttamente ma con una bassa confidenza media (0.642), suggerendo che, sebbene la predizione fosse corretta, era instabile e suscettibile di perturbazioni.

Significatività e Rivendicazioni
Gli autori presentano questo lavoro come una validata prova di concetto piuttosto che come un benchmark definitivo delle prestazioni. Lo studio stabilisce una baseline generalizzabile di pre-elaborazione e classificazione per dataset di spettroscopia gamma sperimentale caratterizzati da variabili conteggi di canali, tempi di acquisizione e storie post-irraggiamento.

Il documento afferma modestamente che i risultati dimostrano la fattibilità della pipeline per scopi di prova di concetto. La convergenza di tre algoritmi indipendenti (RF, SVM, KNN) verso risultati simili supporta la tesi secondo cui le prestazioni osservate riflettono una reale separazione delle classi di campioni piuttosto che artefatti dovuti al piccolo dataset. Gli autori notano esplicitamente che la pipeline è stata addestrata e testata indipendentemente per tipo di detector; la generalizzazione cross-detector (addestramento su un detector, test su un altro) non è stata valutata e rimane una questione aperta. Il lavoro funge da passo fondamentale verso compiti di identificazione più complessi, come gli spettri dei prodotti di fissione post-detonazione, dove le finestre di misurazione sono più brevi e l'identificazione è critica.