
São Paulo — InkDesign News —
A crescente aplicação de machine learning em espectroscopia gama demonstra como a tecnologia pode facilitar a identificação de elementos radioativos em amostras. O uso de dispositivos de detecção modernos permitiu avanços significativos na análise de dados.
Arquitetura de modelo
Um detector de cintilação foi utilizado para coletar dados de espectros gama. A arquitetura do modelo baseia-se em um classificador XGBoost, que extrai características específicas de isótopos conhecidos, como o Americium e o Uranium. A normalização e a filtragem de dados são etapas cruciais para garantir a integridade dos dados e melhorar a acurácia do modelo.
“Decidi usar um modelo XGBoost, que se baseia em um algoritmo de crescimento de árvore de decisão.”
(“I decided to use an XGBoost model, which is based on a decision tree boosting algorithm.”)— Dmitrii Eliuseev, Pesquisador
Treinamento e otimização
O conjunto de dados foi ampliado com amostras sintéticas, aumentando o tamanho do treinamento em 900%. O modelo foi otimizado utilizando GridSearchCV para encontrar parâmetros ideais, resultando em uma acurácia de aproximadamente 99,5% durante a validação cruzada.
“A validação cruzada mostrou que a combinação de ruído sintético melhorou a robustez do modelo em termos de generalização.”
(“Cross-validation showed that the combination of synthetic noise improved the robustness of the model in terms of generalization.”)— Dmitrii Eliuseev, Pesquisador
Resultados e métricas
Após o treinamento, o modelo foi testado com amostras provenientes de dados brutos, alcançando resultados de previsão consistentes. O uso de regressões e análises espectrais permitiu a identificação precisa de elementos em várias amostras, incluindo materiais com radiação de fundo semelhante.
“Os testes mostraram que o modelo consegue identificar os elementos radioativos com alta precisão.”
(“The tests showed that the model can identify radioactive elements with high accuracy.”)— Dmitrii Eliuseev, Pesquisador
As implicações práticas de tal modelo incluem sua possível aplicação em medidas de segurança em ambientes industriais e na identificação de materiais radioativos em público. Pesquisas futuras podem explorar a combinação deste modelo com técnicas de deep learning para melhorar ainda mais a detecção de isótopos com baixo nível de radiação.
Fonte: (Towards Data Science – AI, ML & Deep Learning)