Исследователи из Университета Шарджи (ОАЭ) представили систему искусственного интеллекта, которая по данным гамма-спектроскопии - анализа излучения вещества - одновременно предсказывает степень обогащения урана и определяет тип ядерного материала. Работа опубликована в журнале Annals of Nuclear Energy.

В основе разработки - три модели машинного обучения: XGBoost, CatBoost и LightGBM. Все они построены на градиентном бустинге: алгоритм объединяет множество простых решающих деревьев и последовательно улучшает их, чтобы повысить точность. Модели обучали на структурированных наборах данных из эталонных симуляций МАГАТЭ для детекторов из особо чистого германия - стандартного оборудования для изотопного анализа.

Система решала две задачи сразу: предсказывала процент обогащения урана-235 (регрессия - прогноз числового значения) и относила материал к одной из категорий - природный уран, низкообогащённый или высокообогащённый.

В классификации все три модели показали идеальный результат: точность, полнота и F1-мера (метрика, учитывающая и точность, и полноту) достигли максимума для всех категорий. В прогнозе уровня обогащения лучшей оказалась XGBoost: её ошибки были минимальными, а коэффициент детерминации R², показывающий долю объяснённого разброса данных, достиг верхней границы. У LightGBM и CatBoost значения R² также оказались очень близки к максимуму.

Авторы отмечают: LightGBM при почти той же точности работает быстрее и требует меньше памяти, а CatBoost устойчивее на небольших наборах данных. Модели обучались отдельно для каждой задачи с использованием специально сконструированных признаков, включая изотопные характеристики.

По словам исследователей, такая система могла бы помочь инспекторам МАГАТЭ быстрее и точнее анализировать ядерные материалы для контроля соблюдения договора о нераспространении. Однако подчёркивается: работа выполнена на эталонных симуляциях, а не на реальных измерениях.

Перед внедрением в практику ядерного надзора нужна дополнительная проверка в полевых условиях, где действуют соглашения о гарантиях, требования к точности измерений и юридические нормы. Сами авторы называют результаты свидетельством технического потенциала ИИ-анализа спектров, а не доказательством повышения эффективности надзора.

Источник: Tech Xplore