В области радиационного детектирования существует давняя, но редко обсуждаемая проблема: большинство тревог ложные.
Радиационные портальные мониторы (Radiation Portal Monitor, RPM), установленные в портах, аэропортах и на пограничных пунктах, ежедневно вызывают тревоги, большинство из которых не представляет собой реальной угрозы ядерных материалов, а является "ложными тревогами", вызванными естественно присутствующими радиоактивными веществами (NORM), такими как плитка, удобрения, кошачий наполнитель или даже пассажиры, только что прошедшие ядерно-медицинское обследование. Каждая тревога означает необходимость проведения временной вторичной проверки, и когда ложные тревоги составляют подавляющее большинство, фактическая полезность всей системы мониторинга серьезно снижается.
Это именно то, что стало основным движущим фактором внедрения технологий искусственного интеллекта в области γ-спектрометрии и идентификации нуклидов в последние годы — не для замены аппаратного обеспечения детекторов, а для того, чтобы существующее оборудование давало более точные оценки.
Уроки истории проблемы: провал проекта ASP
Перед тем как обсудить, что может сделать ИИ, необходимо ознакомиться с важным предостерегающим уроком из истории. США когда-то продвигали проект "Современные спектроскопические порталы" (Advanced Spectroscopic Portal, ASP), целью которого было заменить традиционные пластиковые сцинтилляторы на NaI(Tl) сцинтилляторы, чтобы благодаря лучшему разрешению энергии снизить уровень ложных тревог. Этот проект в конечном итоге был отменен в 2011 году — не из-за неправильного технического направления, а из-за постоянного высокого уровня ложноположительных результатов и проблем со стабильностью системы в процессе реального развертывания, при этом его результаты не значительно превосходили более дешевые традиционные системы.
Эта история предоставляет важный ориентир: просто полагаться на лучшее оборудование не может автоматически решить проблему ложных тревог. Истинное узкое место часто заключается в способности обработки сигналов и алгоритмов классификации, и именно в этой области технологии искусственного интеллекта в последние годы достигли значительного прогресса.
Реальные достижения ИИ в идентификации нуклидов
В академической среде за последние пять лет проведено множество исследований в этом направлении. Свёрточные нейронные сети (CNN) в настоящее время являются основным методом для прямой идентификации типов нуклидов из γ-спектров — исследования показывают, что такие сети могут изучать характеристики фотоэлектрических пиков и края Комптона спектра и при низком счете и низком соотношении сигнал/шум все равно давать надежные оценки, что является самой распространенной проблемой в полевых условиях (по сравнению с лабораторными условиями).
Более практичным является направление исследований, называемое "объяснимый ИИ". Ранние модели глубокого обучения для идентификации нуклидов имели реальную проблему: модель давала оценку, но не могла объяснить основание этой оценки, что было неприемлемо для сотрудников службы безопасности, несущих ответственность. Исследования 2025 года предложили метод, основанный на картах активации классов (Class Activation Mapping), который позволяет визуализировать конкретные области на спектре, на которые нейронная сеть "обращает внимание", доказывая, что логика оценок сети действительно основана на физических характеристиках, таких как фотоэлектрические пики, а не на случайных закономерностях в статистическом шуме — такие работы постепенно превращают ИИ для идентификации нуклидов из "черного ящика" в инструмент, которому могут доверять специалисты.
Другой практический пример применения поступает от системы ERNIE (Enhanced Radiological Nuclear Inspection and Evaluation), развернутой в Национальной лаборатории Тихоокеанского Северо-Запада США. Это система анализа тревог на основе машинного обучения, которая уже используется как на территории США, так и в нескольких международных местах. Открытые данные показывают, что эта система, сохраняя или даже повышая чувствительность к реальным угрозам, снизила уровень ложных тревог на порядок. Это одно из самых конкретных доказательств реальной пользы ИИ в контексте радиационного контроля.
Ограничения реальности: экранирование остается проблемой
Честно говоря, идентификация нуклидов с помощью ИИ еще не достигла уровня "решения проблемы". Множество исследований неоднократно указывают на одно и то же ограничение: когда экранирующие материалы и внутренняя конфигурация образца неизвестны — что как раз является самой распространенной и опасной ситуацией в области ядерной безопасности — точность распознавания модели значительно снижается. Большинство открытых исследований используют обучающие наборы данных, которые либо имеют ограниченное количество типов нуклидов, либо имеют большие промежутки между основными энергетическими пиками, что облегчает их различение, тогда как в реальных условиях смешанные нуклиды с неизвестным экранированием создают сложные сигналы, которые остаются слабым местом текущих алгоритмов.
Кроме того, проблема адаптации "sim-to-real" (симуляция к реальности) также является постоянной инженерной проблемой: модели, хорошо обученные на симуляционных данных, часто теряют производительность при переходе на данные, собранные реальными детекторами, из-за различий в характеристиках отклика детекторов и фоновых условиях, что требует специальных технологий адаптации для преодоления этого разрыва.
Что это означает для реального развертывания
Для организаций, занимающихся закупкой и развертыванием оборудования для идентификации нуклидов, это означает, что при оценке возможностей ИИ необходимо задавать несколько конкретных вопросов, а не поддаваться рекламным слоганам о "наделении ИИ":
Покрывают ли обучающие данные условия экранирования и комбинации нуклидов, которые могут встретиться в реальных условиях развертывания? Можно ли проверить и объяснить логику оценок модели, а не полагаться на чисто черный ящик? Подтверждались ли фактические результаты системы в условиях низкого соотношения сигнал/шум независимо, а не только в идеальных лабораторных условиях?
Ответы на эти вопросы определяют, действительно ли функция идентификации нуклидов с помощью ИИ улучшает возможности обнаружения или просто добавляет уровень непрозрачности, который трудно проверить.
Заключение
Искусственный интеллект действительно улучшает способность систем радиационного детектирования различать реальные угрозы и безвредный радиационный фон, данные о развертывании системы ERNIE и растущее количество исследований в области объяснимого ИИ являются реальными сигналами прогресса. Но уроки истории проекта ASP напоминают нам: любое улучшение на уровне аппаратного или алгоритмического обеспечения не может просто равняться повышению надежности всей системы. Действительно значительный прогресс приходит от постоянной проверки охвата обучающих данных, объяснимости модели и фактических результатов в полевых условиях — это также стандарты, которые следует придерживаться при оценке любого оборудования для идентификации нуклидов, заявляющего о "наделении ИИ".