Bei der Analyse von Spektraldaten gibt es zwei Hauptprobleme:

1. Dauer der Analyse des Spektrums
   Selbst, wenn nach kurzer Zeit gute Messwerte vorliegen, weisen Spektren eine Komplexität und eine hohe Dimensionalität des Parameterraums auf.
2. Rauschen im Spektrum
   Auch hochwertige Messsysteme, die empfindlich für die Messung von sehr schwachen Signalen sind, weisen insbesondere bei kurzen Messzeiten ein Rauschen im Spektrum auf.

Beide Probleme erschweren die Identifizierung der Elemente in einer Probe. Darüber hinaus stellen die großen Datenmengen und die Datenvielfalt aufgrund des breiten Energiebereichs im Spektrum und der vielen Messungen eine weitere Schwierigkeit bei der Analyse dar. Um die Komplexität bei der Analyse von Spektraldaten zu verringern, soll ein generischer Ansatz des maschinellen Lernens entwickelt und evaluiert werden.

In diesem Projekt werden Referenzdaten mit Methoden des Maschinellen Lernens (ML), einer Untergruppe der Künstlichen Intelligenz (KI), analysiert, um die Bewertung der elementaren Charakterisierung zu optimieren. Während des Prozesses lernt die Software/das System die Merkmale der Referenzdaten durch Training und führt dann eine Vielzahl komplexer Aufgaben aus.

Aus industrieller Sicht sollen Spektraldaten für eine schnelle und zuverlässige Elementcharakterisierung genutzt werden. Wir arbeiten dazu unter Verwendung von Algorithmen des maschinellen Lernens an einer Software, die

• an automatisierte Systeme anpassbar ist und eine effiziente Auswertung der Spektraldaten mit minimalen manuellen Eingriffen ermöglicht,
• die bei der Interpretation der an einer Probe gemessenen Spektren mit Angabe der Unsicherheit hilft,
• auf andere Messsysteme ausgeweitet werden kann und
• Trainingsdaten und Trainingsnetzwerke bereitstellen wird.

In diesem Projekt wird ein Softwarepaket für eine effiziente und wissenschaftliche Analyse von Spektren entwickelt. Dieses beinhaltet,

• die Integration von mathematischem und physikalischem Wissen (z. B. Physics-informed neural networks),
• die Verwendung von KI-basierten Algorithmen,
• die Berechnung von realistischen Unsicherheiten,
• die Behandlung von verrauschten Daten bei der Auswertung sowie
• die Ermittlung von Summenspektren aus anderen Spektren.

Das Mess- und Auswerteverfahren wird zusammenfassend als Prompt-Gamma-Neutronenaktivierungsanalyse (PGNAA) bezeichnet und unterscheidet sich von anderen Ansätzen dadurch, dass sie ohne Probenvorbereitung durchgeführt werden kann, was zu einer Erhöhung des Massendurchsatzes führt. Bei der PGNAA werden die zu analysierenden Proben mit Neutronen bestrahlt und dabei zum Teil aktiviert. Als Folge des Aktivierungsprozesses wird Gammastrahlung emittiert. Unter Berücksichtigung des gemessenen energieabhängigen Gammaspektrums werden die Elemente in der Probe ermittelt und quantifiziert.

Die PGNAA ist für großvolumige Proben geeignet und kommt u. a. in den folgenden Bereich bereits zum Einsatz:

• Elementaranalyse,
• Ölexploration und
• Qualitätssicherung in der Zementindustrie und bei der Kohleförderung. 

Die für die PGNAA erforderlichen Neutronen werden von einer Radionuklidquelle oder einem Neutronengenerator produziert. Diese beiden Quellen sind für eine industrielle Anwendungen geeignet und erlauben die Messung einer Probe in kurzer Zeit. Dadurch lässt sich ein hoher Massendurchsatz erreichen.

Das AiNT entwickelt und betreibt Messsysteme u. a. der PGNAA, mit denen Messungen zur Elementanalyse von Proben mit einem Volumen zwischen 500 ml und 400 l durchgeführt werden können. Ferner hat das AiNT im Rahmen des MetalClass-Projekts (BMBF, Förderkennzeichen FKZ 01IS20082A) ML-Methoden zur Klassifizierung von Kurzzeitmessungen von Metallschrott erfolgreich entwickelt und eingesetzt.

Dieses Verbundprojekt wird vom BMBF im Rahmen des Aktionsplans ErUM-Data unter dem Förderkennzeichen 05D23XK1 gefördert. Die folgenden öffentlichen Einrichtungen und privaten Unternehmen sind an diesem Projekt beteiligt:

• Institute of Materials Physics, Helmholtz-Zentrum Hereon GmbH, Garching,
• Aachen Institute for Nuclear Training (AiNT GmbH), Stolberg (Rhld.),
• Research Neutron Source Heinz Maier-Leibnitz Zentrum, Technical University of Munich (TUM), Garching und
• Institute of Computer Science in Mechanical Engineering, Helmut-Schmidt-Universität (HSU) - Universität der Bundeswehr Hamburg, Hamburg.

Assoziierte Partner sind:

• European Southern Observatory (ESO),
• BASF SE,
• European Spallation Source (ESS),
• Forschungszentrum Jülich (Jülich),
• University of Belgrade (neu),
• University of Novi Sad (neu) und
• FH Aachen (neu).

Die Projektbeteiligten sowie die thematischen Schwerpunkte sind in der folgenden Abbildung dargestellt:

Die PGNAA kann für wissenschaftliche und industrielle Anwendungen verwendet werden. Dazu zählen z. B.

• Phasenanalyse mit Röntgen- und Neutronenbeugung,
• Quasielastische Neutronenstreuung und
• Stellarspektroskopie wie die Untersuchung von Exoplaneten