Deprecated: Function curl_close() is deprecated since 8.5, as it has no effect since PHP 8.0 in /home/u483256323/domains/poorvam.com/public_html/subdomains/pore/includes/api.php on line 184
Abstract
<jats:p>В последние годы наблюдается тенденция на использование методов машинного и глубокого
 обучения для самых различных задач науки и техники.
 При этом, в ряде областей эти методы, несмотря на все возложенные на них ожидания, показывают
 весьма скромный результат.
 В данной работе мы оцениваем применимость методов машинного обучения в приложении к задачам
 идентификации гамма-излучающих нуклидов и обработке сложносоставных спектров. Цель работы –
 показать, что напротив, методы на основе ИИ весьма успешно дополняют "классические" подходы и
 справляются с их ограничениями.
 Предположение, что методы глубокого обучения смогут внести существенный вклад в решение задач
 идентификации в этой области, основывается на нескольких факторах:
 •
 •
 •
 По своей сути методы глубокого обучения пытаются имитировать работу человека и головного
 мозга (нейроны, нейронный связи, обучение и поиск паттернов). Поэтому эти методы особенно
 хорошо работают там, где в решаемой задаче помимо понятной расчетно-алгоритмической
 части (например, при решении ОДУ или уравнений в частных производных), имеется
 математически плохо формализованный поиск паттернов.
 Как оказалось, при использовании специалистами по спектрометрии классического подхода
 идентификации, помимо формального алгоритмизованного процесса выделения пиков,
 применяется шаг сопоставления найденных пиков с имеющимися библиотеками нуклидов.
 При этом, для получения финального списка гамма-нуклидов, входящих в состав
 анализируемой смеси, специалистами используется достаточно большое количество эвристик
 [1]. Соответственно, у методов глубокого обучения есть потенциал для того, чтобы успешно
 научить машину этим эвристикам. Это в итоге продвинет нас к большей автоматизации
 процесса разбора гамма-спектров.
 Методы глубокого обучения требуют очень большого объема данных для обучения (data-
 hungry). Однако, в области гамма-спектроскопии имеется большое количество как реально
 измеренных, так и синтетических данных, полученных из программ моделирования физики
 процесса Geant4, GADRAS-DRF и пр. Немаловажно, что эти данные размечены: построено
 сопоставление “результат измерения – нуклид”. Это позволяет успешно собрать
 репрезентативные данные для обучения моделей.
 В области гамма-спектроскопии имеется потенциальная возможность с помощью машинного
 обучения построить человеко-ориентированные классификаторы и методы декомпозиции
 спектров. Даже если в этой области не будет достигнута 100% автоматизация, где машина
 полностью заменит человека, построение таких классификаторов уже будет существенным
 упрощением задачи. Функция машины – выполнить достаточное количество предварительной
 работы по выделению характеристик, по которым либо она сама, либо человек сможет сделать
 разбор и анализ спектра. Особенно это актуально для разбора сложносоставных спектров, с 4-
 мя и более нуклидами).
 В нашей работе мы показываем текущие результаты применения глубокого обучения на свёрточных
 архитектурах (CNN) и на архитектурах 1D U-Net. Мы анализируем, насколько эти архитектуры помоглипродвинуться вперед в решении задач разбора спектров, а также делаем вывод, как можно улучшить
 текущий подход и архитектуры в соответствии с задачей построения интерпретируемых человеком
 классификаторов, как описано выше.
 [1] Kamuda, M., Zhao, J., & Huff, K. (2020). A comparison of machine learning methods for automated gamma-
 ray spectroscopy. In Nuclear Instruments and Methods in Physics Research Section A: Accelerators,
 Spectrometers, Detectors and Associated Equipment (Vol. 954, p. 161385). Elsevier BV.
 https://doi.org/10.1016/j.nima.2018.10.063
 [2] G. Marcus, “Deep Learning: A Critical Appraisal.” arXiv, 2018. doi: 10.48550/ARXIV.1801.00631.</jats:p>