Machine Learning Classification for Irradiated Material Gamma Ray Spectra

Resumo Técnico: Classificação por Aprendizado de Máquina para Espectros de Raios Gama de Materiais Irradiados

Definição do Problema
A identificação precisa e oportuna de materiais nucleares irradiados é um desafio crítico na segurança nuclear, monitoramento ambiental e verificação de salvaguardas. A análise tradicional de raios gama depende de métodos de busca de picos que exigem intervenção especializada, calibração de eficiência precisa e tempo significativo, falhando frequentemente em aproveitar todo o formato espectral dos dados. Embora os avanços recentes em Aprendizado de Máquina (ML) mostrem promessa para a espectroscopia automatizada, a literatura existente foca predominantemente na identificação de isótopos únicos ou baseia-se em conjuntos de dados simulados que carecem da complexidade das medições experimentais reais. Além disso, a classificação de matrizes ambientais termicamente ativadas por nêutrons, onde as características espectrais evoluem continuamente com o tempo de resfriamento pós-irradiação, permanece uma lacuna não abordada na literatura de espectroscopia de ML. Este estudo aborda a necessidade de um pipeline de ML robusto e generalizável capaz de lidar com tempos de aquisição variáveis, resoluções de detector e evolução espectral dinâmica em conjuntos de dados experimentais.

Metodologia
O estudo avalia um pipeline completo de classificação de ML aplicado a espectros experimentais de raios gama coletados de duas instalações: Georgia Institute of Technology e University of Texas at Austin (UT Austin). O conjunto de dados inclui fontes de isótopo único (133Ba, 60Co, 137Cs, 152Eu, 22Na) e matrizes ambientais certificadas pelo NIST (carvão, solo, folhas de tomate, óxido de urânio natural) irradiadas no reator TRIGA da UT Austin. As medições foram adquiridas simultaneamente utilizando três tipos de detectores: Iodeto de Sódio (NaI(Tl)), Telureto de Cádmio e Zinco (CZT) e Germânio de Alta Pureza (HPGe).

A metodologia emprega um rigoroso pipeline de pré-processamento de cinco etapas projetado para criar uma representação espectral agnóstica ao detector e fisicamente significativa:

1. Normalização de Contagens por Segundo (CPS): Converte contagens brutas em taxas de contagem para considerar tempos de aquisição variáveis.
2. Interpolação: Reamostra os espectros em uma grade de energia comum de 3001 pontos (0–3000 keV) para unificar as contagens de canais entre os detectores.
3. Normalização pela Área Total: Divide pela área integrada para focar no formato espectral em vez da intensidade absoluta.
4. Transformação Log1p: Comprime a faixa dinâmica entre os picos fotoelétricos e o contínuo Compton, lidando com canais de contagem zero sem produzir o infinito negativo.
5. Aumento de Ruído de Poisson: Aplicado às contagens brutas de inteiros antes do pré-processamento para aumentar o tamanho efetivo do conjunto de treinamento, preservando as estatísticas de contagem corretas.

A redução de dimensionalidade é realizada via Análise de Componentes Principais (PCA), retendo componentes suficientes para explicar 95% da variância (resultando em 4 componentes para isótopos únicos e 4–13 para amostras irradiadas). Três classificadores são avaliados sob uma estratégia de Validação Cruzada Leave-One-Out (LOO-CV): Floresta Aleatória (RF), Máquina de Vetores de Suporte (SVM) com núcleo RBF e k-Vizinhos Mais Próximos (KNN).

Principais Contribuições
Este trabalho distingue-se da literatura existente através de três contribuições primárias:

1. Validação Experimental em Matrizes Complexas: Diferente de estudos anteriores que dependem de simulações ou tarefas de isótopo único, este trabalho avalia a classificação em espectros totalmente experimentais de matrizes ambientais ativadas por nêutrons, sem dados simulados em seu pipeline.
2. Tratamento da Evolução Temporal: Aborda a classificação de espectros que mudam continuamente com o tempo de resfriamento pós-irradiação, uma dinâmica não abordada anteriormente na literatura de espectroscopia de ML.
3. Aumento de Ruído Trans-Detector e Fisicamente Motivado: O estudo permite a comparação direta de detectores CZT, HPGe e NaI usando pipelines idênticos. Além disso, aplica o aumento de ruído de Poisson às contagens brutas em vez de características processadas, preservando as estatísticas físicas do processo de medição.

Resultos

• Fontes de Isótopo Único: Todos os três classificadores (RF, SVM, KNN) alcançaram precisão observada perfeita (1.000) em todos os tipos de detectores, validando a capacidade do pipeline de distinguir picos fotoelétricos bem resolvidos.
• Amostras Irradiadas Complexas:
  • Detectores NaI e CZT: Todos os três classificadores alcançaram precisão perfeita (1.000) e Coeficiente de Correlação de Matthews (MCC) de 1.000 nas amostras irradiadas complexas.
  • Detector HPGe: RF e KNN alcançaram precisão perfeita (1.000). O SVM atingiu 0.974 de precisão, com uma única classificação incorreta de um espectro de folha de tomate adquirido próximo a 2.000 minutos pós-irradiação. Esse erro ocorreu porque o componente de vida curta 24Na decaiu, fazendo com que o formato espectral se assemelhasse ao fundo (background); a fronteira baseada em margem do SVM foi menos tolerante a esse desvio do que os métodos de conjunto (RF) ou de vizinhança (KNN).
• Confiabilidade Estatística: Intervalos de confiança de Clopper-Pearson de 95% indicam que, embora a precisão observada seja alta, a precisão real da população poderia ser plausivelmente menor (ex: limites inferiores em torno de 0.86–0.90) devido ao pequeno tamanho da amostra (5–8 espectros por classe).
• Confiança de Predição: A análise da confiança de predição revelou uma divergência entre precisão e confiabilidade. Por exemplo, as medições de CZT de óxido de urânio com tempos de contagem curtos (5 minutos) foram classificadas corretamente, mas com baixa confiança média (0.642), sugerindo que, embora a predição estivesse correta, ela era instável e suscetível a perturbações.

Significância e Alegações
Os autores apresentam este trabalho como uma prova de conceito validada, e não como um benchmark de desempenho definitivo. O estudo estabelece um baseline generalizável de pré-processamento e classificação para conjuntos de dados experimentais de espectroscopia gama caracterizados por contagens de canais variáveis, tempos de aquisição e históricos pós-irradiação.

O artigo alega modestamente que os resultados demonstram a viabilidade do pipeline para fins de prova de conceito. A convergência de três algoritmos independentes (RF, SVM, KNN) para resultados semelhantes apoia a afirmação de que o desempenho observado reflete uma separação genuína das classes de amostras, e não artefatos de um conjunto de dados pequeno. Os autores explicitamente observam que o pipeline foi treinado e testado de forma independente para cada tipo de detector; a generalização trans-detector (treinar em um detector, testar em outro) não foi avaliada e permanece uma questão aberta. O trabalho serve como um passo fundamental em direção a tarefas de identificação mais complexas, como espectros de produtos de fissão pós-detonação, onde as janelas de medição são mais curtas e a identificação é crítica.