Gama spektroskopisi kullanarak radyoaktif maddelerin tanımlanması, nükleer güvenlik ve tıbbi uygulamalar açısından hayati önem taşıyor. Ancak bu alanda makine öğrenmesi modellerinin eğitimi, büyük ve çeşitli deneysel veri setlerinin elde edilmesi ve etiketlenmesindeki zorluklar nedeniyle karmaşık bir süreç haline geliyor.
Araştırmacılar bu sorunu çözmek için simülasyon verilerini kullanıyor, fakat simülasyon ortamında eğitilen modeller gerçek operasyonel ortamlara uygulandığında performans düşüşü yaşayabiliyor. Bu durum, laboratuvar koşulları ile saha koşulları arasındaki farklılıklardan kaynaklanıyor.
Yeni çalışmada, unsupervised domain adaptation (UDA) tekniklerinin bu soruna çözüm sunabileceği gösterildi. Bu yaklaşım, hedef alandaki etiketlenmemiş verilerden yararlanarak, sentetik verilerle eğitilen modellerin yeni test ortamlarında genelleme yeteneğini geliştiriyor.
Geleneksel denetimli teknikler, izotop etiketlerinin yokluğu nedeniyle bu verileri kullanamıyordu. Araştırma ekibi farklı UDA tekniklerini karşılaştırarak, özellik hizalama stratejilerinin en etkili yöntem olduğunu belirledi.
Bu gelişme, nükleer tesislerin güvenlik sistemleri, radyolojik tehditlerin erken tespiti ve tıbbi izotopların doğru tanımlanması gibi kritik uygulamalarda yapay zeka destekli sistemlerin güvenilirliğini artırma potansiyeli taşıyor.