Clasificación de la Firma de Radiación SNM Utilizando Diferentes Modelos de Aprendizaje Automático Semi-Supervisado
Autores: Stomps, Jordan R.; Wilson, Paul P. H.; Dayman, Kenneth J.; Willis, Michael J.; Ghawaly, James M.; Archer, Daniel E.
Idioma: Inglés
Editor: MDPI
Año: 2023
Acceso abierto
Artículo científico
2023
Clasificación de la Firma de Radiación SNM Utilizando Diferentes Modelos de Aprendizaje Automático Semi-Supervisado
Categoría
Ingeniería y Tecnología
Subcategoría
Ingeniería Nuclear
Palabras clave
Detección
No proliferación nuclear
Aprendizaje automático
Mediciones de radiación
Aprendizaje semi-supervisado
Detección de anomalías
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 32
Citaciones: Sin citaciones
La detección oportuna de transferencias de material nuclear especial (SNM) entre instalaciones nucleares es un objetivo importante de monitoreo en la no proliferación nuclear. El monitoreo persistente, habilitado por la detección y caracterización exitosa de los movimientos de material radiológico, podría mejorar en gran medida la misión de no proliferación nuclear en una variedad de aplicaciones. El aprendizaje automático supervisado puede utilizarse para señalar detecciones cuando el material está presente si se entrena un modelo con volúmenes suficientes de mediciones etiquetadas. Sin embargo, los datos de monitoreo nuclear necesarios para entrenar modelos de aprendizaje automático robustos pueden ser costosos de etiquetar, ya que los espectros de radiación pueden requerir un escrutinio estricto para su caracterización. Por lo tanto, este trabajo investiga la aplicación del aprendizaje semi-supervisado para utilizar tanto datos etiquetados como no etiquetados. Como experimento de demostración, las mediciones de radiación de detectores de yoduro de sodio (NaI) son proporcionadas por la iniciativa Multi-Informatics for Nuclear Operating Scenarios (MINOS) en el Laboratorio Nacional Oak Ridge (ORNL) como datos de muestra. Se identifican mediciones anómalas utilizando un método de prueba de hipótesis estadística. Después de la estimación de fondo, se utiliza un análisis espectroscópico dependiente de la energía para caracterizar una anomalía basada en sus firmas de radiación. En ausencia de información veraz, una heurística de etiquetado proporciona los datos necesarios para entrenar y probar modelos de aprendizaje automático. La regresión logística supervisada sirve como línea base para comparar tres modelos de aprendizaje automático semi-supervisado: co-entrenamiento, propagación de etiquetas y una red neuronal convolucional (CNN). En cada caso, los modelos semi-supervisados superan a la regresión logística, lo que sugiere que los datos no etiquetados pueden ser valiosos al entrenar y demostrar valor en implementaciones de no proliferación semi-supervisadas.
Descripción
La detección oportuna de transferencias de material nuclear especial (SNM) entre instalaciones nucleares es un objetivo importante de monitoreo en la no proliferación nuclear. El monitoreo persistente, habilitado por la detección y caracterización exitosa de los movimientos de material radiológico, podría mejorar en gran medida la misión de no proliferación nuclear en una variedad de aplicaciones. El aprendizaje automático supervisado puede utilizarse para señalar detecciones cuando el material está presente si se entrena un modelo con volúmenes suficientes de mediciones etiquetadas. Sin embargo, los datos de monitoreo nuclear necesarios para entrenar modelos de aprendizaje automático robustos pueden ser costosos de etiquetar, ya que los espectros de radiación pueden requerir un escrutinio estricto para su caracterización. Por lo tanto, este trabajo investiga la aplicación del aprendizaje semi-supervisado para utilizar tanto datos etiquetados como no etiquetados. Como experimento de demostración, las mediciones de radiación de detectores de yoduro de sodio (NaI) son proporcionadas por la iniciativa Multi-Informatics for Nuclear Operating Scenarios (MINOS) en el Laboratorio Nacional Oak Ridge (ORNL) como datos de muestra. Se identifican mediciones anómalas utilizando un método de prueba de hipótesis estadística. Después de la estimación de fondo, se utiliza un análisis espectroscópico dependiente de la energía para caracterizar una anomalía basada en sus firmas de radiación. En ausencia de información veraz, una heurística de etiquetado proporciona los datos necesarios para entrenar y probar modelos de aprendizaje automático. La regresión logística supervisada sirve como línea base para comparar tres modelos de aprendizaje automático semi-supervisado: co-entrenamiento, propagación de etiquetas y una red neuronal convolucional (CNN). En cada caso, los modelos semi-supervisados superan a la regresión logística, lo que sugiere que los datos no etiquetados pueden ser valiosos al entrenar y demostrar valor en implementaciones de no proliferación semi-supervisadas.