Machine Learning Classification for Irradiated Material Gamma Ray Spectra

기술 요약: 조사된 물질의 감마선 스펙트럼을 위한 머신러닝 분류

문제 정의
조사된 핵물질을 정확하고 신속하게 식별하는 것은 핵 안보, 환경 모니터링 및 사찰 검증 분야에서 매우 중요한 과제이다. 전통적인 감마선 분석은 전문가의 개입, 정확한 효율 교정, 그리고 상당한 시간을 필요로 하는 피크 탐색법에 의존하며, 이는 데이터의 전체적인 스펙트럼 형태를 활용하지 못하는 경우가 많다. 최근의 머신러닝(ML) 발전이 자동화된 분광학 분야에서 유망한 가능성을 보여주고 있으나, 기존 문헌은 주로 단일 동위원소 식별에 집중하거나 실제 실험 측정의 복잡성이 결여된 시뮬레이션 데이터셋에 의존하고 있다. 또한, 열중성자 활성화된 환경 매트릭스의 경우, 조사 후 냉각 시간에 따라 스펙트럼 특성이 연속적으로 변화함에도 불구하고, 이를 머신러닝 분광학 문헌에서 다루지 못한 미해결 과제로 남아 있다. 본 연구는 가변적인 획득 시간, 검출기 해상도, 그리고 실험 데이터셋의 역동적인 스펙트럼 진화를 처리할 수 있는 견고하고 일반화 가능한 머신러닝 파이프라인의 필요성을 다룬다.

방법론
본 연구는 조지아 공과대학교와 텍사스 대학교 오스틴 캠퍼스(UT Austin)의 두 시설에서 수집된 실험적 감마선 스펙트럼에 적용된 완전한 머신러닝 분류 파이프라인을 평가한다. 데이터셋은 단일 동위원소 소스($^{133}\text{Ba}$, $^{60}\text{Co}$, $^{137}\text{Cs}$, $^{152}\text{Eu}$, $^{22}\text{Na}$)와 UT Austin TRIGA 원자로에서 조사된 NIST 인증 환경 매트릭스(석탄, 토양, 토마토 잎, 천연 우라늄 산화물)를 포함한다. 측정은 나트륨 아이오다이드($\text{NaI(Tl)}$), 카드뮴 아연 텔루라이드($\text{CZT}$), 고순도 게르마늄($\text{HPGe}$)의 세 가지 검출기 유형을 사용하여 동시에 수행되었다.

본 방법론은 검출기에 무관하고 물리적으로 의미 있는 스펙트럼 표현을 생성하기 위해 설계된 엄격한 5단계 전처리 파이프라인을 채택한다:

1. 초당 계수(CPS) 정규화: 가변적인 획득 시간을 고려하여 원시 계수를 계수율로 변환한다.
2. 보간법(Interpolation): 검출기 간 채널 수를 통일하기 위해 스펙트럼을 공통된 3001포인트 에너지 그리드(0–3000 keV)로 재샘플링한다.
3. 전체 면적 정규화: 절대적인 강도보다는 스펙트럼 형태에 집중하기 위해 적분 면적으로 나눈다.
4. Log1p 변환: 광전 피크와 컴프턴 연속체 사이의 동적 범위를 압축하며, 음의 무한대를 생성하지 않고 영(0) 계수 채널을 처리한다.
5. 포아송 노이즈 증강(Poisson Noise Augmentation): 전처리 전의 원시 정수 계수에 적용하여, 올바른 계수 통계치를 보존하면서 효과적인 훈련 데이터 크기를 늘린다.

차원 축소는 주성분 분석(PCA)을 사용하여 수행되며, 분산의 95%를 설명할 수 있는 충분한 성분을 유지한다(단일 동위원소의 경우 4개, 조사된 샘플의 경우 4~13개). 세 가지 분류기(랜덤 포레스트(RF), RBF 커널을 사용한 서포트 벡터 머신(SVM), k-최근접 이웃(KNN))가 Leave-One-Out 교차 검증(LOO-CV) 전략 하에 평가된다.

주요 기여
본 연구는 다음 세 가지 핵심 기여를 통해 기존 문헌과 차별화된다:

1. 복합 매트릭스에 대한 실험적 검증: 시뮬레이션이나 단일 동위원소 작업에 의존하는 기존 연구와 달리, 본 연구는 파이프라인 내에 시뮬레이션 데이터를 포함하지 않고 완전히 실험적인 중성자 활성화 환경 매트릭스의 스펙트럼을 평가한다.
2. 시간적 진화 처리: 조사 후 냉각 시간에 따라 연속적으로 변화하는 스펙트럼을 분류하는 문제를 다루며, 이는 머신러닝 분광학 문헌에서 이전에 다루어지지 않은 역동성이다.
3. 검출기 무관 및 물리적 동기 기반 증강: 동일한 파이프라인을 사용하여 $\text{CZT}$, $\text{HPGe}$, $\text{NaI}$ 검출기를 직접 비교할 수 있게 한다. 또한, 처리된 특징값이 아닌 원시 계수에 포아송 노이즈 증강을 적용함으로써 측정 과정의 물리적 통계치를 보존한다.

결과

• 단일 동위원소 소스: 세 가지 분류기(RF, SVM, KNN) 모두 모든 검출기 유형에서 완벽한 관측 정확도(1.000)를 달 Achieve 하여, 잘 분해된 광전 피크를 구별하는 파이프라인의 능력을 입증하였다.
• 복합 조사 샘플:
  • $\text{NaI}$ 및 $\text{CZT}$ 검출기: 세 가지 분류기 모두 복합 조사 샘플에 대해 완벽한 정확도(1.000)와 매튜스 상관계수(MCC) 1.000을 달성하였다.
  • $\text{HPGe}$ 검출기: RF와 KNN은 완벽한 정확도(1.000)를 달성하였다. SVM은 0.974의 정확도를 기록하였는데, 이는 조사 후 약 2,000분 경과 시점에서 획득된 토마토 잎 스펙트럼에서 단 한 건의 오분류가 발생했기 때문이다. 이 오류는 단수명 $^{24}\text{Na}$ 성분이 붕괴함에 따라 스펙트럼 형태가 배경(background)과 유사해졌기 때문에 발생하였으며, SVM의 마진 기반 경계가 앙상블(RF)이나 이웃 기반(KNN) 방법보다 이러한 드리프트에 덜 관대했음을 보여준다.
• 통계적 신뢰성: 클로퍼-피어슨(Clopper-Pearson) 95% 신뢰 구간은 작은 샘플 크기(클래스당 5~8개의 스펙트럼)로 인해 관측된 정확도는 높지만, 실제 모집단 정확도는 이론적으로 더 낮을 수 있음(예: 하한값 약 0.86–0.90)을 나타낸다.
• 예측 신뢰도: 예측 신뢰도 분석은 정확도와 신뢰성 사이의 괴리를 드러냈다. 예를 들어, 짧은 계수 시간(5분) 동안 획득된 우라늄 산화물의 $\text{CZT}$ 측정치는 정확하게 분류되었으나 평균 신뢰도는 낮게(0.642) 나타났는데, 이는 예측은 맞았으나 불안정하며 섭동(perturbation)에 취약함을 시사한다.

의의 및 주장
저자들은 본 연구를 확정적인 성능 벤치마크라기보다 **검증된 개념 증명(proof-of-concept)**으로 제시한다. 본 연구는 가변적인 채널 수, 획득 시간 및 조사 이력을 특징으로 하는 실험적 감마 분광 데이터셋을 위한 일반화 가능한 전처리 및 분류 베이스라인을 구축한다.

본 논문은 결과가 단순한 성능 지표가 아니라 개념 증명 목적의 타당성을 입증한다는 점을 겸허히 주장한다. 세 가지 독립적인 알고리즘(RF, SVM, KNN)이 유사한 결과로 수렴한다는 사실은 관측된 성능이 작은 데이터셋의 인위적 결과가 아니라 실제 샘플 클래스의 구분을 반영한다는 주력을 뒷받침한다. 저자들은 파이프라인이 각 검출기 유형 내에서 독립적으로 훈련 및 테스트되었음을 명시하였으며, 한 검출기에서 훈련하고 다른 검출기에서 테스트하는 교차 검출기 일반화(cross-detector generalization)는 평가되지 않았으며 여전히 해결해야 할 과제로 남아 있다. 이 작업은 측정 창이 더 짧고 식별이 결정적인 사후 폭발 핵분열 생성물 스펙트럼과 같은 더 복잡한 식별 과제를 향한 기초적인 단계 역할을 한다.