Nutzung von Encoder/Decoder basierten Machine-Learning Methoden in der Auswertung und Bewertung von Gammaspektren

Das Erfassen von Gammaspektren ist ein Vorgehen um radioaktive Objekte zu charakterisieren. Dabei werden vor allem offene und umschlossene Strahlenquellen und natürliche radioaktive Stoffe (NORM) betrachtet. Zur Erfüllung der Amtsaufgaben des BfS werden unter anderem Germaniumspektrometer (HPGe) eingesetzt. Durch die Auswertung gemessener Spektren können eine Vielzahl von qualitativen und quantitativen Informationen über Strahlenquellen gewonnen werden. Aufgaben können die Identifikation unbekannter radioaktiver Stoffe, die Aktivitätsbestimmung, Kernbrennstoffanalytik oder Forensik sein. Die Auswertung von Gammaspektren erfolgt bisher vorrangig durch deskriptive, analytische Verfahren. Dabei werden bestimmte Muster in Gammaspektren durch Gauss-Funktionen beschrieben und die Ergebnisse mit Datenbanken abgeglichen. Diese Verfahren können nicht mit beliebig großen Datenbanken arbeiten. Der Anwender muss durch Vorwissen die richtigen Datenbanken auswählen. Weiterhin wird bei diesem Vorgehen ein Großteil des Spektrums nicht genutzt und als Untergrund abgewiesen. Im Rahmen dieses Forschungsvorhabens soll ein Variations-Autoencoders mit entkoppeltem Latenzraum genutzt werden, um Gammaspektren vollständig zu beschreiben. Dabei soll ein neuronales Netzwerk trainiert werden, welches Beiträgt diverser (mehr als 50) Radionuklide im Gammaspektrum simultan erfassen und beschreiben kann. Dabei soll sowohl eine Identifikation der Radionuklide, eine Reduktion des Poisson-Rauschens und eine Zerlegung des Spektrums in Komponenten möglich werden. Komponenten können z. B. NORM Beiträge und Beiträge künstlicher Strahlenquellen sein. Für das Training des Netzwerkes sollen Trainingsspektren mithilfe des Programmes MCNP 6.2 oder 6.3 erzeugt werden. Das Forschungsprojekt soll in folgenden Arbeitspaketen umgesetzt werden: (1) AP 1: Aufarbeitung des relevanten Standes von Wissenschaft und Technik (2) AP 2: Erstellung und Training der ML-Netzwerke (3) AP 3: Erprobung und Finalisierung der ML-Netzwerke (4) AP 4: Projektabschluss, Dokumentation und Übergabe (5) Veröffentlichung der Ergebnisse in einem wissenschaftlichen Fachjournal