Algorithmes d'IA pour la spectrométrie gamma dédiée à la mesure de terrain

AI algorithms for gamma-ray spectrometry dedicated to field measurement

• Auteur / Autrice : Dinh Triem Phan
• Direction : Jérôme Bobin, Christophe Bobin
• Type : Thèse de doctorat
• Discipline(s) : Sciences du traitement du signal et des images
• Date : Soutenance le 14/10/2025
• Etablissement(s) : université Paris-Saclay
• Ecole(s) doctorale(s) : École doctorale Sciences et technologies de l'information et de la communication (Orsay, Essonne ; 2015-....)
• Partenaire(s) de recherche : Laboratoire : Département d'Électronique, des détecteurs et d'informatique pour la physique (Gif-sur-Yvette, Essonne ; 2017-....)
• Partenaire(s) de recherche : Référent : Université Paris-Saclay. Faculté des sciences d’Orsay (Essonne ; 2020-....)
• Partenaire(s) de recherche : graduate school : Université Paris-Saclay. Graduate School Informatique et sciences du numérique (2020-….)
• Jury : Président / Présidente : Cédric Richard
• Jury : Examinateurs / Examinatrices : Jocelyn Chanussot, Marie Chabert, Jérôme Gauthier, Abdelmjid Nourreddine, Rodolfo Gurriaran
• Jury : Rapporteurs / Rapporteuses : Jocelyn Chanussot, Marie Chabert
• DOI : 10.70675/0ac02e4az7b72z454cza77bzcaecd9cadcab

Mots clés

Mots clés contrôlés

Spectrométrie gamma

Apprentissage automatique

Mathématiques

Intelligence artificielle

Problèmes inverses

Traitement du signal

Optimisation mathématique

Mots clés libres

Spectrométrie gamma

Apprentissage automatique

Démélange spectral

Algorithme hybride

Variabilité spectrale

Intelligence artificielle

Gamma-Ray spectrometry

Machine learning

Spectral unmixing

Hybrid algorithm

Spectral variability

Artificial intelligence

Résumé

La spectrométrie gamma est une technique classique pour identifier et quantifier les radionucléides émetteurs de photons γ dans de nombreuses applications en physique nucléaire, telles que la détection rapide du trafic illicite de matières nucléaires, le démantèlement des installations nucléaires et la surveillance environnementale in situ à la suite d'un incident radiologique ou nucléaire. Pour ces applications, il existe une forte demande pour des outils d'analyse automatique pouvant être utilisés par du personnel non expert et permettant également une prise de décision robuste dans des conditions de mesures de courte durée (c'est-à-dire à faible statistique). Par ailleurs, les mesures effectuées dans des environnements complexes peuvent entraîner une variabilité de la forme des spectres γ en raison de phénomènes physiques tels que l'atténuation, la diffusion Compton et la fluorescence résultant des interactions des photons γ dans l'environnement entre la source radioactive et le détecteur. Pour répondre à ces enjeux, cette thèse propose une approche hybride qui combine l'apprentissage automatique et les méthodes statistiques afin de prendre en compte de manière plus précise les propriétés physiques du processus de mesure. Au cœur de cette approche est ''Interpolating Autoencoder'' (IAE), un modèle d'apprentissage automatique conçu pour capturer la variabilité spectrale. L'IAE est évalué à l'aide de simulations rayonnement-matière avec le code Geant4 dans une géométrie comprenant une source ponctuelle située dans une sphère pour le détecteur NaI(Tl). Deux types de modèles IAE sont considérés: un modèle individuel, qui apprend la variabilité spectrale indépendamment pour chaque radionucléide et un modèle conjoint, qui capture les corrélations dans la variabilité spectrale de tous les radionucléides. L'IAE modélise les signatures spectrales - qui représentent la réponse du détecteur aux émissions de photons γ - comme une fonction d'une variable latente unidimensionnelle λ. En se basant sur l'IAE, un nouvel algorithme hybride de démélange spectral pour une analyse sur la totalité du spectre, SEMSUN, est développé pour estimer conjointement les signatures spectrales et le comptage de tous les radionucléides en utilisant le maximum de vraisemblance basé sur la statistique de Poisson des mesures. L'algorithme SEMSUN est ensuite combiné avec une stratégie de sélection de modèle basée sur le test du rapport de vraisemblance pour permettre l'identification automatique des radionucléides. Enfin, pour quantifier l'incertitude de l'estimateur hybride, deux techniques d'inférence bayésienne sont évaluées : l'approximation de Laplace (LA) et ''Markov Chain Monte Carlo'' (MCMC).Les résultats démontrent que les modèles IAE peuvent capturer efficacement la déformation spectrale, même dans des scénarios complexes impliquant jusqu'à 12 radionucléides. L'approche hybride proposée a été comparée aux méthodes d'apprentissage automatique de bout en bout, qui représentent une tendance actuelle en spectrométrie gamma. Les résultats montrent que la méthode hybride est plus performante que les méthodes d'apprentissage automatique de bout en bout dans les tâches d'identification et de quantification. Elle maintient un taux de faux positifs (ou de fausses alarmes) proche de la valeur attendue et offre une capacité de détection supérieure dans des conditions de faible statistique. Les performances de cette approche utilisant des modèles IAE individuels sont légèrement moins précises que celles du modèle IAE conjoint, car elles ne tiennent pas compte des corrélations entre les signatures spectrales des différents radionucléides. Concernant la quantification de l'incertitude, alors que la méthode LA est efficace en termes de temps de calcul, la méthode MCMC offre des résultats plus robustes lorsque les contraintes influencent fortement la distribution, bien qu'à un coût de calcul plus élevé.

Gamma-ray spectrometry stands as a traditional technique for identifying and quantifying γ-emitting radionuclides in a wide range of nuclear physics applications, including rapid detection of illicit nuclear material trafficking, decommissioning of nuclear facilities, and in situ environmental analysis following a radiological or nuclear incident. For these applications, there is a growing demand for automatic analysis tools that can be used by non-expert users and also enable robust decision-making under short-duration measurement conditions (i.e., low statistics). Furthermore, the measurements carried out in complex environments can lead to variability of the shape of γ-spectra due to physical phenomena such as attenuation, Compton scattering and fluorescence resulting from the interactions of γ-photons in the surroundings between the radioactive source and the detector.To address these challenges, this thesis introduces a hybrid approach that combines machine learning and statistical methods to more accurately reflect the physical properties of the measurement process. Central to this approach is the Interpolating Autoencoder (IAE), a machine learning model designed to capture spectral variability. The IAE is evaluated using Geant4 radiation-matter simulations with a geometry involving a point source located in a sphere for the NaI(Tl) detector. Two types of IAE models are considered: an individual model, which learns the spectral variability independently for each radionuclide, and a joint model, which captures correlations in spectral variability across all radionuclides. The IAE models the spectral signatures—representing the detector's response to γ-photon emissions—as a function of a one-dimensional latent variable λ. Building upon the IAE, a novel hybrid full-spectrum spectral unmixing algorithm, SEMSUN, is developed to jointly estimate the spectral signatures and counting of all radionuclides using the maximum likelihood estimation under a Poisson distribution of the measurements. The SEMSUN algorithm is then combined with a model-selection strategy based on the likelihood-ratio test to enable automatic radionuclide identification. Finally, to quantify the uncertainty of the hybrid estimator, two Bayesian inference techniques are investigated: the Laplace approximation (LA) and Markov Chain Monte Carlo (MCMC).The results demonstrate that the IAE models can effectively capture spectral deformation, even in complex scenarios involving up to 12 radionuclides. The proposed hybrid approach has been compared to end-to-end machine learning methods, representing a current trend in γ-ray spectrometry. The findings show that the hybrid method outperforms end-to-end ML approaches in both identification and quantification tasks. It maintains a false positive rate (or false alarm rate) close to the expected value and gives superior detection capability under low-statistics conditions. The performance of this approach using individual IAE models is slightly less precise than that of the joint IAE model, as it does not capture the correlations between the spectral signatures of different radionuclides. Regarding uncertainty quantification, while the LA method is computationally efficient, the MCMC method offers more robust results when constraints strongly influence the distribution, though at a higher computational cost.