Исследователи из Института компьютерных наук Тартуского университета (Эстония) совместно с технологической компанией GScan разрабатывают методы на основе искусственного интеллекта (ИИ), которые помогают точнее определять местоположение объектов по данным, собранным с помощью космических частиц. Технология может пригодиться для оценки состояния мостов и других крупных сооружений и выявления возможных повреждений.

Речь идёт о мюонной томографии - способе сканирования, при котором используются мюоны, естественные и безвредные частицы, образующиеся при столкновении космических лучей с атмосферой. Они способны проходить сквозь метры бетона, стали и горных пород. Детекторы фиксируют каждый мюон на входе и выходе из объекта. Большинство частиц летят прямо, но те, что встречают на пути что-то плотное, слегка отклоняются. Эти крошечные отклонения и позволяют увидеть внутреннее строение без вскрытия и без искусственного излучения, которое необходимо для рентгеновского сканера.

Сложность в том, что мюоны прилетают медленно, а измерения получаются зашумлёнными, поэтому изображения часто выходят размытыми. Именно эту проблему и решают исследователи с помощью ИИ: они учат компьютеры строить чёткую картину из несовершенных данных. "Обработка мюонных данных требует сложных решений в области машинного обучения и науки о данных, - говорит инженер по разработке продуктов GScan Тарво Метспалу. - Исследования в университете помогают нам избегать тупиков в разработке продукта и повышать точность технологии, чтобы мы могли оценивать внутреннее состояние зданий и сооружений без повреждений".

Лектор Каллол Рой и его коллеги обратили внимание, что мюоны, пролетевшие сквозь объект без отклонения, несут не меньше информации, чем отклонившиеся. Прямой путь говорит о том, что на нём нет ничего плотного, а отклонённый - что что-то есть. Одни данные показывают, где объекта нет, другие - где он, скорее всего, находится. Исследователи построили модели машинного обучения, которые считывают оба типа подсказок одновременно. В компьютерных симуляциях эти модели определяли местоположение скрытых объектов точнее, чем модели, использующие только один тип данных, и точнее, чем стандартный метод, применяемый в мюонной визуализации. Результаты опубликованы в журнале IEEE Access.

Кроме того, учёные разработали методы различения близко расположенных объектов, которые на мюонных снимках могут выглядеть как один крупный объект. Гибридный метод, созданный ими, снизил долю ошибочно объединённых объектов в симуляциях примерно с 15% до 2%. "Этот результат важен, потому что в практических приложениях нам нужно уметь различать местоположение объектов и более мелкие детали, а также обнаруживать потенциальные изменения внутри конструкций", - добавил Рой.

Помимо определения местоположения, исследователи изучают возможность идентификации различных материалов по мюонным измерениям. На данный момент они проанализировали свойства 14 материалов и проверили статистические методы и методы машинного обучения, чтобы научиться их различать. Если ИИ сможет определять не только местонахождение объекта, но и его материал, технология окажется полезной для инспекции промышленных объектов или обнаружения опасных и запрещённых веществ.

Следующая цель - повысить надёжность моделей и усовершенствовать наборы данных, на которых их обучают, чтобы ИИ мог работать с более широким кругом материалов и более сложными условиями измерений. Хотя для широкого применения технологии при оценке состояния зданий и сооружений всё ещё требуются дальнейшие разработки и испытания, сотрудничество Тартуского университета и GScan показывает, как сочетание физических измерений и ИИ открывает новые возможности для обследования конструкций, внутреннее устройство которых раньше было трудно проверить.

Источник: Tech Xplore