방사선 탐지를 위한 인공지능 기반 위협 판별 시스템

본 논문은 방사선 위협 탐지를 위한 새로운 접근법을 제시한다. 기존 PRND는 인력과 전문성에 크게 의존해 현장 탐지와 스펙트럼 해석 과정에서 오탐이 빈번하고, 의료·산업용 방사선원(‘혼동원’)이 다수 존재해 위협 식별이 어려운 문제를 안고 있다. 이를 해결하고자 저자들은 대규모 정적 센서망을 구축하고, 각 센서에서 수집된 γ 스펙트럼을 머신러닝 모델에 입력해 자동으로 위협 여부를 판단하도록 설계했다. 데이터 준비 단계에서는 GADRAS 시뮬레이터를 이용해 2 × 4 × 16 인치 NaI 검출기의 24시간 장시간 스펙트럼을 생성하고, 이를 포아송 샘플링해 1초 단위 측정 데이터로 변환했다. 실제 실험실에서도 동일 규격 NaI 검출기로 다양한 거리와 차폐 조건(베어, 콘크리트, 강철, 고갈 우라늄) 하에 세슘, 코발트, 바륨, 셀레늄, 이리듐 등 5종 동위원소의 스펙트럼을 수집했다. 이렇게 확보한 시뮬레이션·실측 데이터는 모델 학습과 검증에 사용되었다. 모델은 두 가지 형태로 구현되었다. 첫 번째는 입력 벡터와 가중치 행렬을 곱하고 bias를 더한 뒤 softmax를 적용하는 단일 선형 레이어이며, 두 번째는 동일 구조에 tanh 활성화 함수를 갖는 은닉층을 추가한 2‑layer 신경망이다. 두 모델 모두 TensorFlow 기반으로 구현했으며, 교차 엔트로피 손실 함수와 Adam 옵티마이저를 사용해 10 epoch와 100 epoch까지 학습시켰다. 학습 과정에서 손실은 지속적으로 감소했고, 100 epoch 학습 시 전체 정확도와 클래스별 정확도가 크게 향상되었다. 특히 가중치 행렬을 시각화하면 스펙트럼 피크와 일치하는 패턴이 나타나, 모델이 물리적 특징을 자동으로 학습함을 확인할 수 있었다. 성능 평가에서는 (1) 시뮬레이션 데이터에 대한 테스트, (2) 포아송 샘플링된 앙상블 테스트, (3) 실제 측정 데이터 테스트를 수행했다. 선형 모델은 전반적으로 괜찮은 정확도를 보였지만, 복잡한 차폐 유형을 구분하거나 산업용 게이지와 같은 특정 혼동원을 식별할 때는 성능이 급격히 떨어졌다. 반면, 은닉층을 포함한 비선형 모델은 차폐 종류를 높은 정확도로 구분했으며, 특히 ‘세슘 + 강철’ 조합을 95 % 이상 정확도로 식별했다. 이는 비선형 모델이 스펙트럼의 미세한 변형을 포착하는 능력이 뛰어남을 의미한다. 또한, 시뮬레이션 전용 데이터로만 학습한 모델이 실제 실험실 측정 데이터에서도 기대 이상의 성능을 보였다는 점은 중요한 실용적 의미를 가진다. 이는 방대한 실측 데이터 수집 없이도 시뮬레이션 기반 학습으로 현장 적용이 가능함을 시사한다. 다만, 고에너지 채널(600 채널 이상)에서는 카운트가 거의 없어 가중치에 노이즈가 반영되는 한계가 존재한다. 결론적으로, 저자들은 두 가지 머신러닝 모델을 구현하고, 시뮬레이션·실측 데이터를 통해 검증함으로써 방사선 위협 탐지 시스템에 인공지능을 적용하는 가능성을 입증했다. 단순 선형 모델은 대부분의 경우 충분히 작동하지만, 복합 차폐나 특정 혼동원 식별과 같이 고차원 피처가 요구되는 상황에서는 은닉층을 갖는 비선형 모델이 필수적이다. 향후 연구에서는 데이터셋을 확대하고, 컨볼루션 신경망(CNN)이나 순환 신경망(RNN) 등 보다 복잡한 아키텍처를 도입해 실시간 탐지와 저신호 환경에서의 민감도 향상을 목표로 한다.