Unüberwachtes Domain‑Adaptation steigert Isotopenidentifikation in Gamma‑Spektroskopie

Die Entwicklung von maschinellen Lernmodellen zur Identifikation radioaktiver Isotope mittels Gamma‑Spektroskopie bleibt ein schwieriges Unterfangen, weil große, vielfältige experimentelle Datensätze selten und teuer zu beschaffen sind. Simulationen können dieses Problem mildern, doch Modelle, die ausschließlich auf synthetischen Daten trainiert wurden, verlieren oft an Genauigkeit, wenn sie in realen Einsatzumgebungen eingesetzt werden.

In der vorliegenden Studie wird gezeigt, dass unüberwachtes Domain‑Adaptation (UDA) die Leistungsfähigkeit eines Modells, das auf synthetischen Daten trainiert wurde, erheblich steigern kann – vorausgesetzt, es stehen unlabelte Daten aus dem Zielbereich zur Verfügung. Da die Isotopenlabels fehlen, können klassische überwachte Verfahren die Daten nicht nutzen. Stattdessen wird zunächst ein Spektralklassifikator mit gelabelten Simulationsdaten vortrainiert und anschließend die Feature‑Repräsentationen zwischen Quelle und Ziel mithilfe unlabelter Daten ausgerichtet.

Die Autoren vergleichen verschiedene UDA‑Techniken und stellen fest, dass die Minimierung der Maximum‑Mean‑Discrepancy (MMD) zwischen den Feature‑Vektoren die konsistenteste Verbesserung der Testleistung liefert. Mit einem maßgeschneiderten Transformer‑Netzwerk erreichte das Modell nach MMD‑Ausrichtung eine Testgenauigkeit von 0,904 ± 0,022 auf einem experimentellen LaBr₃‑Datensatz, während die Genauigkeit vor der Ausrichtung bei 0,754 ± 0,014 lag.

Diese Ergebnisse unterstreichen das enorme Potenzial von unüberwachter Domain‑Adaptation, um die Übertragbarkeit von Modellen aus simulierten in reale Umgebungen zu verbessern und damit die praktische Anwendung von Gamma‑Spektroskopie zur Isotopenidentifikation voranzutreiben.