// SCINEXX — SPAZIO & SCIENZA
KI soll UN-Atomaufsicht bei der Analyse von Uranproben unterstützen
Uran unter der Lupe: Drei KI-Modelle haben in einem Test natürliches, niedrig angereichertes und hoch angereichertes Uran ohne Fehlzuordnung auseinandergehalten. Zugleich konnte eines der Verfahren den Anteil des spaltbaren Isotops Uran-235 anhand simulierter Gammaspektren besonders genau schätzen. Wie zuverlässig das außerhalb der verwendeten Testdaten funktioniert, ist noch offen.
Schardscha (Vereinigte Arabische Emirate). Bei internationalen Atomkontrollen kommt es nicht nur darauf an, ob Uran vorhanden ist. Auch sein Gehalt an Uran-235 ist wichtig, denn damit lassen sich Materialarten unterscheiden und Angaben über Kernmaterial überprüfen.
Eine Möglichkeit bietet die Gammaspektroskopie: Dabei wird die charakteristische Strahlung von Atomkernen gemessen, um die Zusammensetzung einer Probe zu bestimmen. Aus den komplexen Messspektren müssen anschließend die entscheidenden Informationen herausgelesen werden. Künstliche Intelligenz könnte diese Auswertung künftig unterstützen.
Ein Forschungsteam mit Beteiligung von Dr. Muhammad Zubair von der University of Sharjah (UoS) hat dafür drei Verfahren des maschinellen Lernens untersucht. Die Modelle XGBoost, CatBoost und LightGBM sollen Muster aus Beispieldaten erkennen und daraus neue Vorhersagen ableiten.
Dafür nutzte das Team strukturierte Datensätze auf Grundlage von Referenzsimulationen der Internationalen Atomenergie-Organisation (IAEA). Sie bilden Gammaspektren nach, wie sie hochauflösende Germaniumdetektoren liefern könnten. Es handelt sich damit nicht um einen Praxistest während tatsächlicher Inspektionen.
Die Modelle sollten zwei Aufgaben erfüllen: Einerseits mussten sie Material als natürliches, niedrig angereichertes oder hoch angereichertes Uran einordnen. Andererseits sollten sie den Anteil des Uran-Isotops 235 möglichst genau vorhersagen. Für die beiden Aufgaben wurden die Verfahren jeweils gesondert trainiert und bewertet.
Bei der Einordnung der Uranarten erreichten alle drei KI-Modelle auf den verwendeten Testdaten eine Trefferquote von 100 Prozent. Auch die weiteren berichteten Kennzahlen für die Klassifikation, darunter Präzision und Trefferempfindlichkeit, lagen jeweils bei 100 Prozent. Innerhalb dieses Testaufbaus blieb also keine der geprüften Materialkategorien unerkannt.
Bei der Schätzung des Uran-235-Anteils schnitt XGBoost am besten ab. Sein sogenanntes Bestimmtheitsmaß R², das die Übereinstimmung von Vorhersagen und Testwerten beschreibt, lag gerundet bei 1,0000. LightGBM erreichte 0,99999 und CatBoost 0,9971. Diese Werte sprechen für eine sehr hohe Übereinstimmung innerhalb der ausgewerteten Daten, nicht für absolute Fehlerfreiheit unter beliebigen Bedingungen.
Die überzeugenden Ergebnisse stammen aus simulierten beziehungsweise aus Referenzdaten abgeleiteten Messspektren. Ob die Systeme auch bei echten Messungen mit wechselnden Bedingungen und möglichen Störsignalen ähnlich zuverlässig arbeiten, bleibt ungeprüft. Die Trefferquote darf deshalb nicht als Erfolgsquote bei realen Atomkontrollen verstanden werden.
Die Verfahren wären zunächst allenfalls eine Entscheidungshilfe für Fachleute, die Kernmaterial untersuchen. Vor einem praktischen Einsatz müssten sie an repräsentativen Messdaten unter Betriebsbedingungen getestet werden. Auch die Einbindung in bestehende Prüfabläufe und Sicherheitsvorgaben wäre zu klären.