Unsupervised domain adaptation for radioisotope identification in gamma spectroscopy

Este estudo demonstra que a adaptação de domínio não supervisionada, especificamente através da minimização da discrepância máxima de momento (MMD), permite que modelos de aprendizado de máquina treinados em dados sintéticos de espectroscopia gama generalizem com sucesso para a identificação de radioisótopos em ambientes experimentais reais não rotulados.

O essencial

Imagine que você é um detetive especializado em identificar substâncias radioativas. Você tem um manual de instruções muito detalhado (um modelo de inteligência artificial) que foi treinado usando desenhos de como essas substâncias se parecem em um detector. Esse manual é ótimo para identificar os desenhos, mas quando você chega ao mundo real, com detectores reais, ruídos, interferências e materiais diferentes, o manual começa a errar feio.

É exatamente esse o problema que os cientistas do Pacific Northwest National Laboratory tentaram resolver neste artigo. Eles queriam ensinar um computador a identificar isótopos radioativos (como urânio ou césio) usando dados de simulação (desenhos digitais), mas fazer com que ele funcionasse perfeitamente em dados reais (o mundo físico), mesmo sem ter exemplos rotulados do mundo real para estudar.

Aqui está a explicação do que eles fizeram, usando analogias do dia a dia:

1. O Problema: O "Vale da Simulação"

Pense no treinamento de um aluno de medicina.

• O Cenário de Treino (Fonte): O aluno estuda em livros de anatomia com desenhos perfeitos, cores vivas e sem nenhuma mancha ou sombra. Ele aprende a identificar um coração perfeitamente.
• O Cenário Real (Alvo): O aluno vai para o hospital. Lá, os corações são reais, têm variações de cor, estão cobertos por tecidos, há luzes diferentes e ruídos de máquinas.
• O Resultado: O aluno, que só viu desenhos, fica confuso. Ele não reconhece o coração real porque ele parece "diferente" do desenho, mesmo sendo o mesmo órgão.

Na física nuclear, isso acontece porque simular a radiação no computador é fácil, mas o detector real tem imperfeições que o computador não consegue prever perfeitamente. Isso é chamado de "Gap Sim-to-Real" (a lacuna entre a simulação e a realidade).

2. A Solução: O "Tradutor de Sotaque" (Adaptação de Domínio)

Normalmente, para ensinar o aluno a lidar com o hospital, você precisaria de milhares de fotos reais de corações com o nome escrito embaixo (dados rotulados). Mas, na vida real, rotular dados de radiação é caro, perigoso e demorado.

A grande sacada desse artigo é usar uma técnica chamada Adaptação de Domínio Não Supervisionada (UDA).

• A Analogia: Imagine que você tem um aluno que fala inglês perfeitamente (o modelo treinado nos desenhos) e precisa se comunicar com um grupo de pessoas que falam inglês, mas com um sotaque muito forte e gírias locais (os dados reais).
• O Truque: Você não pode ensinar o aluno a falar o sotaque (porque não tem um professor nativo para corrigi-lo). Mas você pode colocar o aluno e as pessoas locais na mesma sala e pedir para eles se misturarem.
• O objetivo não é mudar o que eles dizem (a física da radiação é a mesma), mas sim fazer com que o "sotaque" da fala do aluno se torne tão parecido com o das pessoas locais que eles consigam se entender, sem precisar de um dicionário novo.

3. Como eles fizeram isso? (A Técnica)

Os pesquisadores testaram várias maneiras de "misturar" o aluno (dados simulados) com o grupo local (dados reais). Eles usaram diferentes "estratégias de socialização":

• DAN (Deep Adaptation Networks): É como pedir para o aluno e os locais trocarem de lugar na sala até que a distribuição de pessoas fique uniforme. Eles medem a "distância" entre os dois grupos e tentam empurrar o grupo do aluno para perto do grupo local.
• DANN (Domain Adversarial): É como um jogo de "esconde-esconde". O aluno tenta esconder de um juiz se ele veio do livro de desenhos ou do hospital real. Se o juiz não consegue adivinhar a origem, significa que o aluno aprendeu a falar com o sotaque local.
• O Vencedor: Eles descobriram que a técnica DAN (que minimiza a diferença estatística entre os grupos) funcionou melhor. Foi como se fosse a maneira mais eficiente de alinhar os "sotaques" sem estragar o conhecimento original do aluno.

4. O Resultado: Um Detetive de Sucesso

Os resultados foram impressionantes:

• Antes da adaptação: O modelo, usando apenas os dados simulados, acertava cerca de 75% das identificações no mundo real. Era como um detetive que errava 1 em cada 4 suspeitos.
• Depois da adaptação: Com a técnica de "mistura" (UDA), a precisão subiu para 90%. O detetive agora acerta quase todos.

Eles também usaram uma técnica chamada SHAP (que é como uma lente de aumento para ver o que o computador está pensando) e descobriram algo curioso:

• O Modelo Antigo: Ficava confuso com picos de energia baixos e ruídos do próprio detector (como se ele achasse que um ruído de fundo era uma arma).
• O Modelo Adaptado: Aprendeu a ignorar esses ruídos e focar nas "assinaturas" reais da radiação, como um detetive experiente que sabe diferenciar o que é importante do que é apenas barulho.

Resumo Final

Este artigo mostra que não precisamos de milhões de exemplos reais e caros para treinar detectores de radiação. Podemos treinar com simulações baratas e, usando um "truque de alinhar sotaques" (Adaptação de Domínio), fazer com que o computador funcione perfeitamente no mundo real.

É como ensinar um piloto a voar em um simulador e, em vez de dar aulas de voo real, usar um software que ajusta a sensibilidade dos controles para que o piloto se sinta em casa assim que pousar no avião real. Isso torna a segurança nuclear e a detecção de materiais perigosos muito mais acessíveis e precisas.

Resumo técnico

1. Problema e Contexto

A identificação de radioisótopos utilizando espectroscopia gama é fundamental para aplicações de segurança nacional, detecção de fontes móveis e caracterização de materiais. No entanto, treinar modelos de aprendizado de máquina (ML) robustos para essa tarefa enfrenta um desafio crítico: a escassez de grandes conjuntos de dados experimentais rotulados. A coleta e o rotulamento de dados reais são caros e demorados.

Como solução alternativa, utiliza-se frequentemente dados sintéticos (simulados). Contudo, modelos treinados exclusivamente em dados simulados sofrem com o "gap sim-to-real" (diferença entre simulação e realidade), onde o desempenho degrada significativamente ao ser implantado em ambientes operacionais reais devido a mudanças na distribuição dos dados (deslocamento de domínio ou domain shift).

O problema central abordado é: Como adaptar um modelo treinado em dados sintéticos (domínio fonte) para funcionar bem em dados experimentais reais (domínio alvo) quando não há rótulos disponíveis no domínio alvo?

2. Metodologia

Os autores propõem o uso de Adaptação de Domínio Não Supervisionada (UDA) para alinhar as representações de características entre o domínio sintético e o experimental, sem necessitar de rótulos no domínio alvo.

Cenários de Dados

O estudo avalia três cenários de adaptação:

1. Sim-to-Sim (HPGe): Fonte e alvo são ambos simulados (GADRAS e Geant4), mas com diferentes pipelines de simulação. O deslocamento é dominado por concept shift (diferenças na resposta do detector).
2. Sim-to-Real (LaBr3 e NaI(Tl)): Fonte é simulada (GADRAS) e alvo é experimental (detectores de Brometo de Lantânio e Iodeto de Sódio). Este cenário inclui covariate shift, prior shift e concept shift.

Arquiteturas de Modelo

Foram comparadas três famílias de arquiteturas:

• MLP (Perceptron Multicamada): Representação simples de lista 1D.
• CNN (Redes Neurais Convolucionais): Captura estrutura espacial local.
• TBNN (Redes Neurais Baseadas em Transformers): Utiliza mecanismos de atenção para capturar correlações de longo alcance no espectro. Foram testadas variações com embeddings lineares e não lineares.

Técnicas de UDA Avaliadas

O estudo compara sete métodos de UDA, aplicados após um pré-treinamento supervisionado no domínio fonte:

1. ADDA: Adaptação discriminativa adversarial (treina um extrator de características para enganar um discriminador de domínio).
2. DAN (Deep Adaptation Networks): Minimiza a Divergência de Máxima Média (MMD) entre as distribuições de características fonte e alvo.
3. DANN (Domain Adversarial Neural Networks): Treina o extrator de características para aprender características invariantes ao domínio via um discriminador adversarial.
4. DeepCORAL: Alinha as estatísticas de segunda ordem (matrizes de covariância) das distribuições.
5. DeepJDOT: Alinha as distribuições conjuntas de características e rótulos usando transporte ótimo.
6. Mean Teacher: Enforça consistência preditiva entre um modelo "estudante" e um "professor" (média móvel exponencial) sob ruído.
7. SimCLR: Aprendizado contrastivo auto-supervisionado para aprender representações invariantes a aumentações.

Pré-processamento e Treinamento

• Os dados brutos foram transformados (raiz quadrada para estabilização de variância) e normalizados por Z-score.
• Foi utilizada uma busca Bayesiana de hiperparâmetros (via Optuna) para otimizar tanto o pré-treinamento quanto os parâmetros específicos de cada método UDA.
• A validação foi feita através de 10 rodadas com inicialização aleatória para estimar incerteza.

3. Principais Contribuições

• Aplicação Sistemática de UDA: Primeira comparação abrangente de múltiplas técnicas de UDA modernas (incluindo Transformers) especificamente para espectroscopia gama.
• Análise de Deslocamento de Domínio: Caracterização detalhada das diferenças entre simulação e realidade usando métricas como AUROC de discriminador de domínio, MMD e distância de Wasserstein.
• Interpretabilidade: Uso de SHAP (Shapley Additive exPlanations) para demonstrar como a adaptação de domínio corrige o foco do modelo em artefatos do detector (picos de raios-X intrínsecos) em vez de linhas espectrais reais dos isótopos.
• Validação Estatística: Uso rigoroso de testes de Wilcoxon para confirmar a significância estatística das melhorias.

4. Resultados

Os resultados demonstram que a UDA é altamente eficaz, especialmente em cenários sim-to-real.

• Desempenho Geral:
  • No cenário Sim-to-Real (LaBr3), a melhor configuração (DAN com TBNN-LinEmb) alcançou uma precisão de 0,904 ± 0,022, comparada a 0,754 ± 0,014 do modelo apenas com fonte (sem adaptação). Isso representa uma melhoria de ~15 pontos percentuais.
  • No cenário Sim-to-Sim, as melhorias foram menores (devido ao concept shift ser mais difícil de resolver sem rótulos), mas ainda estatisticamente significativas para algumas arquiteturas (ex: DANN com Transformers).
• Melhor Técnica: A minimização da Divergência de Máxima Média (MMD) via DAN e a abordagem adversarial DANN mostraram-se as mais consistentes e robustas, superando outras técnicas como ADDA e DeepJDOT na maioria dos casos.
• Arquitetura: Os Transformers (TBNN) geralmente superaram MLPs e CNNs, especialmente quando combinados com UDA, devido à sua capacidade de capturar correlações globais no espectro.
• Métricas Adicionais: Além da precisão, o modelo adaptado (DAN) apresentou melhorias significativas em:
  • Calibração (menor erro de calibração esperado).
  • Confiança (maior margem de previsão).
  • Suavidade do espaço de entrada (menor sensibilidade a pequenas perturbações).
• Interpretabilidade (SHAP): O modelo fonte-only tendia a focar erroneamente no pico de raios-X de 32 keV intrínseco ao detector LaBr3 (confundindo-o com raios-X de 40 keV do Eu-152). O modelo adaptado (DAN) aprendeu a ignorar esse artefato e focar corretamente na linha de 1460 keV do Potássio-40 (40K), aumentando a precisão de classificação desse isótopo de 17% para 83%.

5. Significância e Conclusão

O estudo valida que a Adaptação de Domínio Não Supervisionada é uma ferramenta prática e essencial para viabilizar a implantação de modelos de IA treinados em dados sintéticos em cenários operacionais reais de espectroscopia gama.

• Viabilidade Operacional: Permite o uso de grandes volumes de dados simulados para treinar modelos, utilizando apenas dados não rotulados (fáceis de obter) do mundo real para ajustar o modelo.
• Robustez: A técnica mitiga o risco de falha do modelo quando as condições experimentais (tipo de detector, blindagem, ruído de fundo) diferem das simulações.
• Futuro: O trabalho sugere que, embora a UDA seja poderosa, a redução do concept shift (melhorando a fidelidade das simulações) continuará sendo importante. No entanto, para muitos casos práticos, a UDA oferece um ganho de desempenho suficiente para tornar a identificação de radioisótopos baseada em ML viável em campo.

Em resumo, o artigo fornece um roteiro robusto e empiricamente validado para superar a barreira de dados rotulados na espectroscopia gama, demonstrando que a adaptação de domínio pode transformar modelos teóricos em ferramentas de detecção confiáveis.