Исследователи Тартуского университета и эстонской компании GScan разработали модели машинного обучения для анализа мюонных сканов. В компьютерных симуляциях они точнее определяли положение скрытых объектов.
Мюоны возникают при взаимодействии космических лучей с атмосферой и проходят через бетон, сталь и горные породы. Детекторы фиксируют траектории частиц до и после прохождения через объект: плотные материалы отклоняют мюоны, а прямые траектории указывают, где препятствий может не быть.
Мюонное сканирование позволяет исследовать конструкции без вскрытия и искусственного излучения. Но частицы регистрируются постепенно, а измерения содержат шум, поэтому изображения могут быть размытыми.
Модели анализировали и прямые, и отклонённые траектории. В симуляциях такой подход точнее определял положение объектов, чем модели с одним типом данных и стандартный метод мюонной визуализации.
Отдельно исследователи проверили, как алгоритм различает близко расположенные объекты. Доля случаев, когда несколько объектов ошибочно отображались как один, в симуляциях снизилась примерно с 15% до 2%.
Команда также изучает, можно ли определять материалы по мюонным измерениям. Исследователи проанализировали свойства 14 материалов и проверили статистические методы и машинное обучение для их различения.
Результаты опубликованы в журнале IEEE Access. Следующий этап — повысить надёжность моделей и расширить обучающие данные. Для применения при обследовании зданий и других сооружений технологии нужны дальнейшие разработки и испытания.
