방사선 탐지를 위한 인공지능 기반 위협 판별 시스템

초록

본 논문은 방사선 탐지 네트워크에 머신러닝을 적용해 위협과 비위협 소스를 구분하는 방법을 제시한다. 시뮬레이션·실측 스펙트럼을 이용해 단층선형 모델과 은닉층 신경망을 학습시켰으며, 특히 은닉층 모델이 산업용 게이지와 같은 혼동원을 높은 정확도로 식별함을 보였다.

상세 분석

이 연구는 방사선 위협 탐지(Preventative Radiological Nuclear Detection, PRND)의 병목인 인력·전문성 부족을 해결하고자, 대규모 정적 센서망을 신경망 기반 소프트 센싱 알고리즘으로 보조한다는 전략을 채택한다. 입력 데이터는 1024채널(또는 256채널로 재구성) γ 스펙트럼이며, 각 채널은 1초 측정에 해당하는 포아송 샘플링을 통해 생성된다. 두 가지 모델을 구현했는데, 첫 번째는 단일 선형 레이어(softmax 출력)이며, 두 번째는 tanh 활성화 함수를 갖는 은닉층을 추가한 2‑layer 신경망이다. 두 모델 모두 TensorFlow와 Adam 옵티마이저, 교차 엔트로피 손실 함수를 사용해 학습하였다. 데이터는 GADRAS 시뮬레이터와 실제 NaI(Tl) 검출기로부터 얻은 스펙트럼을 혼합해 구성했으며, 거리(10‑20 m)와 차폐(베어, 콘크리트, 강철, 고갈 우라늄) 변수를 다양하게 적용해 모델의 일반화 능력을 검증하였다. 학습 결과는 에포크 수에 따라 손실 감소와 정확도 상승이 관찰되었으며, 특히 100 epoch 학습 시 가중치 행렬에 스펙트럼 피크 형태가 드러나는 현상이 확인되었다. 이는 신경망이 물리적 피처(예: 662 keV 코발트 피크)를 자체적으로 추출한다는 증거다. 비선형 모델은 고차원 피처를 포착해 산업용 게이지(세슘 + 강철 차폐)와 같은 특정 혼동원을 90 % 이상 정확도로 구분했으며, 선형 모델은 20 % 이하의 성능을 보였다. 이는 복합 스펙트럼에서 비선형 관계가 중요한 경우 은닉층이 필수적임을 시사한다. 또한, 시뮬레이션 데이터만으로 학습한 모델이 실제 측정 데이터에서도 괜찮은 성능을 유지한다는 점은 데이터 수집 비용을 크게 절감할 수 있음을 의미한다. 다만, 고에너지 채널(>600)에서는 카운트가 거의 없어 노이즈가 가중치에 반영되는 한계가 존재한다. 향후 연구에서는 더 다양한 방사성 동위원소와 복합 차폐 시나리오를 포함한 데이터셋 확대와, 컨볼루션·시계열 모델 도입을 통해 실시간 탐지와 저신호 환경에서의 민감도 향상이 기대된다.