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

기술 요약: 머신러닝과 SHAP를 이용한 HPGe $\gamma$-분광법의 피크 기반 핵종 식별 개선

문제 정의
고순도 게르마늄(HPGe) 감마 분광법은 복잡한 방사성 시료, 특히 핵물질 추적(nuclear forensics) 분석에 필수적입니다. 그러나 핵종 식별(Nuclide Identification, NID)은 전문가가 광전피크(photopeak)를 수동으로 검토하고 재적합(refit)해야 하는 시간 집약적인 과정이며, 이 과정에서 상용 소프트웨어가 자주 사용됩니다. 소프트웨어가 NID를 보조하기는 하지만, 분석가들은 중첩된 피크나 복잡한 동위원소 조합을 다룰 때 제안된 핵종 목록을 수동으로 수정해야 하는 경우가 빈번합니다. 분석이 필요한 샘플의 양이 증가함에 따라, 이러한 수동 개입에 대한 의존도는 적시적이고 정확한 의사결정을 가로막는 병목 현상을 초래합니다. 과제는 현재의 워크플로에 내재된 물리적 엄밀성과 전문가의 판단력을 저해하지 않으면서 이 과정을 자동화하는 것입니다.

방법론
저자들은 65개의 방사성 동위원소 라이브러리에 대해 정밀하게 적합된 HPGe 스펙트럼의 광전피크 면적을 NID 결과로 매핑하기 위해 지도 학습(supervised machine learning) 모델을 개발하고 평가했습니다.

• 데이터 소스: 본 연구는 태평양 북서부 국립연구소(PNNL)에서 핵물질 추적 R&D 과정 중 수집된 약 1,600개의 잘 라벨링된 실험적 HPGe 감마 스펙트럼을 활용했습니다. 이 스펙트럼에는 800개 이상의 고유한 동위원소 조합이 포함되어 있습니다. 일반화 성능을 테스트하기 위해 최근 작업에서 얻은 123개의 스펙트럼으로 구성된 홀드아웃(holdout) 세트가 사용되었습니다.
• 특징 공학(Feature Engineering): 광전피크는 처음에 상용 소프트웨어(Apex-Gamma)를 사용하여 위치를 찾고 적합되었으며, 이후 전문가에 의해 검토 및 재적합되었습니다. ML 입력을 생성하기 위해, 피크 면적은 65개 동위원소의 알려진 감마 방출 에너지에 해당하는 359개의 고정된 벡터로 매핑되었습니다.
  • 로그 스케일링 방식(식 1 및 2)이 표준 min-max 스케일링이나 효율 기반 스케일링과 비교하여 적용되었습니다. 이 접근 방식은 피크 면적의 동적 범위를 압축하면서 상대적 관계를 보존함으로써 모델의 수렴성과 계산 안정성을 향상시키는 것으로 나타났습니다.
• 모델 아키텍처: 베이지안 최적화(Bayesian optimization)를 사용하여 세 가지 뚜렷한 아키텍처를 훈련하고 최적화했습니다:
  1. XGBoost (XGB): 표 형식 데이터(tabular data)에 적합한 극단적 그래디언트 부스팅 결정 트리입니다.
  2. 다중 라벨 밀집 신경망 (Multi-label Dense Neural Networks, DNN): 다중 라벨 시나리오 전반의 패턴과 상관관계를 학습하도록 설계되었습니다.
  3. 이진 관련성 (Binary Relevance, BR) DNN: 각 타겟 핵종에 대한 이진 분류기들의 앙상블입니다.
• 평가 지표: 모델은 5-겹 교차 검증(5-fold cross-validation)을 통해 재현율(Recall), 정밀도(Precision), 그리고 F1 점수(정밀도와 재현율의 조화 평균)를 사용하여 평가되었습니다.
• 설명 가능성(Explainability): 모델 예측을 해석하기 위해 Shapley Additive Explanations (SHAP)가 채택되었습니다. 구체적으로, DNN에는 Deep SHAP가, XGB 모델에는 Tree SHAP가 사용되어 특정 광전피크가 예측을 유도하는 데 기여하는 중요도를 정량화했습니다.

주요 결과

• 성능 우위: XGBoost 모델은 테스트 세트에서 0.967의 F1 점수를 달성하여, 다중 라벨 DNN(0.947)과 이진 관련성 DNN(0.952)보다 높은 성능을 보였습니다.
• 상용 소프트웨어와의 비교: 동일한 65개 핵종 라이브러리를 사용하는 Genie 2000(표준 상용 분광 소프트웨어)과 비교했을 때, ML 모델은 전통적인 방식을 크게 능가했습니다.
  • 테스트 세트에서 Genie 2000은 0.839의 F1 점수를 기록한 반면, XGB는 0.967을 기록했습니다.
  • 독립적인 홀드아웃 세트(123개 스펙트럼)에서 최적의 ML 모델은 F1 0.92를 달성한 반면, Genie 2000은 0.80을 기록했습니다.
  • 이러한 개선의 주요 동력은 위양성(false positives)의 급격한 감소였습니다. ML 모델은 상용 소프트웨어의 템플릿 기반 방식에 비해 핵종의 존재를 과대평가하는 경향이 훨씬 적었습니다.
• 특정 시나리오에서의 강건성: ML 모델은 에너지가 서로 가까운 동위원소를 식별하는 경우(예: Cd-109 vs. Pb X-선)나 모핵종의 맥락이 중요한 단수명 딸핵종(예: Nb-97)을 식별하는 것과 같은 까다로운 시나리오에서 우수한 성능을 입증했습니다.
• 설명 가능성 결과: SHAP 분석은 모델이 물리적으로 유의미한 특징에 의존함을 확인했습니다:
  • 모든 동위원소에 대해 가장 강력한 광전피크가 일관되게 가장 높은 SHAP 값을 가졌습니다.
  • 모델은 모핵종의 피크(예: Zr-97) 존재 여부를 통해 딸핵종(예: Nb-97)의 식별을 뒷받침하는 것과 같은 스펙트럼 맥락을 성공적으로 활용했습니다.
  • XGB 모델은 더 적고 강력하게 가중치가 부여된 특징들에 의존하는 경향이 있는 반면, DNN은 중요도를 특징 전반에 더 고르게 분산시켰습니다.

의의 및 주장
본 논문은 지도 학습 기반 ML 모델, 특히 XGBoost가 분석가에게 제안되는 초기 핵종 목록을 개선할 수 있는 효과적이고 전문가의 지식이 반영된 자동화 도구 역할을 할 수 있다고 주장합니다. 적합된 광전피크를 NID 결과로 매핑함으로써, 이 모델들은 매우 정확한(거의 완벽한 재현율을 가진) 후보 목록을 제공하여 분석가의 부담을 줄이고 후속 정량 분석을 더욱 효과적으로 유도할 수 있습니다.

이 연구의 독특한 기여는 ML 기반 NID에서 특정 광전피크의 중요성을 설명하기 위해 SHAP를 적용한 것입니다. 저자들은 이것이 ML 모델이 허구적 상관관계가 아닌 물리적으로 유의미한 광전피크 및 더 넓은 스펙트럼 맥락(예: 모-딸핵종 관계)에 의존한다는 것을 입증하기 위해 이러한 도구를 사용한 첫 번째 발표라고 주장합니다. 이러한 해석 가능성은 자동화된 시스템에 대한 신뢰를 구축하는 데 매우 중요합니다.

연구는 ML 모델이 NID에서 탁월한 성능을 보이지만, 훈련 데이터 내 특정 핵종의 지원(빈도)에 의해 성능이 제한된다고 결론지었습니다. 저자들은 향후 개선 방안으로 희귀 핵종에 대한 일반화 성능을 높이기 위해 고충실도 합성 스펙트럼을 통합하는 것을 제안하였으나, 현재의 접근 방식만으로도 기존의 소프트웨어 기반 NID 방식보다 상당한 진전을 이루었다는 입장을 유지하고 있습니다.