Machine Learning Classification for Irradiated Material Gamma Ray Spectra

Technische Samenvatting: Machine Learning Classificatie voor Gammastralingsspectra van Bestraald Materiaal

Probleemstelling
Nauwkeurige en tijdige identificatie van bestraalde nucleaire materialen is een kritieke uitdaging in nucleaire beveiliging, milieumonitoring en safeguards-verificatie. Traditionele gammastralingsanalyse leunt op peak-search methoden die deskundige interventie, nauwkeurige efficiëntiecalibratie en aanzienlijke tijd vereisen, en faalt vaak in het volledig benutten van de spectrale vorm van de data. Hoewel recente ontwikkelingen in Machine Learning (ML) veelbelovend zijn voor geautomatiseerde spectroscopie, richt de bestaande literatuur zich voornamelijk op identificatie van enkelvoudige isotopen of vertrouwt zij op gesimuleerde datasets die de complexiteit van echte experimentele metingen missen. Bovendien blijft de classificatie van thermisch neutron-geactiveerde milieu-matrices, waarbij de spectrale kenmerken continu evolueren met de koeltijd na bestraling, een niet-behandelde kloof in de ML-spectroscopie literatuur. Deze studie adresseert de behoefte aan een robuuste, generaliseerbare ML-pipeline die in staat is om te gaan met variabele acquisitietijden, detectorresoluties en de dynamische spectrale evolutie in experimentele datasets.

Methodologie
De studie evalueert een volledige ML-classificatiepipeline toegepast op experimentele gammastralingsspectra verzameld bij twee faciliteiten: Georgia Institute of Technology en de University of Texas at Austin (UT Austin). De dataset bevat enkelvoudige isotopenbronnen (133Ba, 60Co, 137Cs, 152Eu, 22Na) en NIST-gecertificeerde milieu-matrices (steenkool, bodem, tomatenbladeren, natuurlijke uraniumoxide) bestraald in de UT Austin TRIGA-reactor. Metingen werden simultaan verkregen met drie typen detectoren: Natriumjodide (NaI(Tl)), Cadmium-Zink-Telluride (CZT) en High Purity Germanium (HPGe).

De methodologie hanteert een strikte vijfstaps preprocessing-pipeline ontworpen om een detector-agnostische, fysisch betekenisvolle representatie van de spectra te creëren:

1. Counts-per-second (CPS) Normalisatie: Converteert ruwe counts naar count rates om variabele acquisitietijden te compenseren.
2. Interpolatie: Resamplet spectra naar een gemeenschappelijk 3001-punts energiegrid (0–3000 keV) om kanaalaantallen over verschillende detectoren heen te verenigen.
3. Total-Area Normalisatie: Deelt door de geïntegreerde oppervlakte om de focus te leggen op de spectrale vorm in plaats van absolute intensiteit.
4. Log1p Transformatie: Comprimeert het dynamische bereik tussen fototoppen en het Compton-continuüm, waarbij zero-count kanalen worden afgehandeld zonder negatieve oneindigheid te produceren.
5. Poisson Noise Augmentatie: Toegepast op de ruwe integer counts voorafgaand aan de preprocessing om de effectieve omvang van de trainingsset te vergroten terwijl de correcte telling-statistieken behouden blijven.

Dimensiereductie wordt uitgevoerd met behulp van Principal Component Analysis (PCA), waarbij voldoende componenten worden behouden om 95% van de variantie te verklaren (resulterend in 4 componenten voor enkelvoudige isotopen en 4–13 voor bestraalde monsters). Drie classifiers worden geëvalueerd onder een Leave-One-Out Cross-Validation (LOO-CV) strategie: Random Forest (RF), Support Vector Machine (SVM) met een RBF-kernel, en k-Nearest Neighbors (KNN).

Belangrijkste Bijdragen
Dit werk onderscheidt zich van de bestaande literatuur door drie primaire bijdragen:

1. Experimentele Validatie op Complexe Matrices: In tegenstelling tot eerdere studies die steunen op simulaties of enkelvoudige isotopen-taken, evalueert dit werk classificatie op volledig experimentele spectra van neutron-geactiveerde milieu-matrices zonder dat er gesimuleerde data in de pipeline wordt gebruikt.
2. Behandeling van Temporele Evolutie: Het adresseert de classificatie van spectra die continu veranderen met de koeltijd na bestraling, een dynamiek die voorheen niet is behandeld in de ML-spectroscopie literatuur.
3. Cross-Detector en Fysisch Gemotiveerde Augmentatie: De studie maakt directe vergelijking tussen CZT, HPGe en NaI detectoren mogelijk met identieke pipelines. Bovendien past het Poisson noise augmentatie toe op de ruwe counts in plaats van op bewerkte features, waardoor de fysische statistieken van het meetproces behouden blijven.

Resultaten

• Enkelvoudige Isotopenbronnen: Alle drie de classifiers (RF, SVM, KNN) bereikten een perfecte geobserveerde nauwkeurigheid (1.000) over alle detectortypes, wat de bekwaamheid van de pipeline valideert om goed opgeloste fototoppen te onderscheiden.
• Complexe Bestraalde Monsters:
  • NaI en CZT Detectoren: Alle drie de classifiers bereikten een perfecte nauwkeurigheid (1.000) en een Matthews Correlation Coefficient (MCC) van 1.000 op de complexe bestraalde monsters.
  • HPGe Detector: RF en KNN bereikten een perfecte nauwkeurigheid (1.000). SVM bereikte een nauwkeurigheid van 0.974, met één enkele misclassificatie van een tomatenblad-spectrum verkregen nabij 2.000 minuten na bestraling. Deze fout trad op omdat de kortlevende 24Na-component verviel, waardoor de spectrale vorm de achtergrond begon te benaderen; de marge-gebaseerde grens van de SVM was minder tolerant voor deze drift dan de ensemble (RF) of de buur-gebaseerde (KNN) methoden.
• Statistische Betrouwbaarheid: Clopper-Pearson 95% betrouwbaarheidsintervallen geven aan dat hoewel de geobserveerde nauwkeurigheid hoog is, de werkelijke populatie-nauwkeurigheid plausibeler lager zou kunnen zijn (bijv. lagere grenzen rond de 0.86–0.90) vanwege de kleine steekproefomvang (5–8 spectra per klasse).
• Voorspellingsvertrouwen: Analyse van het voorspellingsvertrouwen onthulde een divergentie tussen nauwkeurigheid en betrouwbaarheid. Zo werden bijvoorbeeld CZT-metingen van uraniumoxide met korte tellingstijden (5 minuten) correct geclassificeerd, maar met een lage gemiddelde confidence (0.642), wat suggereert dat de voorspelling weliswaar correct was, maar instabiel en gevoelig voor perturbaties.

Significantie en Claims
De auteurs presenteren dit werk als een gevalideerd proof-of-concept in plaats van een definitieve prestatiebenchmark. De studie vestigt een generaliseerbare preprocessing en classificatie-baseline voor experimentele gamma-spectroscopie datasets die gekenmerkt worden door variabele kanaalaantallen, acquisitietijden en post-bestralingsgeschiedenissen.

De paper claimt bescheiden dat de resultaten de levensvatbaarheid van de pipeline aantonen voor proof-of-concept doeleinden. De convergentie van drie onafhankelijke algoritmen (RF, SVM, KNN) naar vergelijkbare resultaten ondersteunt de claim dat de geobserveerde prestatie een reflectie is van een werkelijke scheiding van de monsterklassen en geen artefact is van de kleine dataset. De auteurs merken expliciet op dat de pipeline onafhankelijk binnen detector types is getraind en getest; cross-detector generalisatie (trainen op één detector, testen op een andere) is niet geëvalueerd en blijft een openstaande vraag. Het werk dient als een fundamentele stap naar complexere identificatietaken, zoals spectra van fission products na een explosie, waarbij de meetvensters korter zijn en identificatie cruciaal is.