利用网络安全模型优化改进放射性物质定位

物理空间传感器在公共安全应用中的一个主要用途是检测不安全状况（例如有毒气体释放、机场武器、受污染食品）。然而，这些应用中的当前检测方法通常成本高、使用慢，并且在复杂、变化或新环境中可能不准确。在本文中，我们探索如何成功用于网络领域（如恶意软件检测）的机器学习方法可被借用以大幅增强物理空间检测。我们聚焦于一个重要示例应用——放射性物质的检测与定位。我们表明，基于机器学习的方法在预测角度方向上可显著超越传统的基于查表的方法。此外，所开发的模型可扩展以包含到放射性物质距离的近似（这是实践中使用的参考表未捕获的关键维度）。利用四和八个探测器阵列，我们收集伽马射线计数作为一套机器学习模型定位放射性物质的特征。我们通过辐射检测常用仿真框架以及在实验室环境中使用放射性物质的物理实验，探索了七种独特场景。我们观察到，我们的方法可优于标准基于查表的方法，将角度误差降低37%并可靠地在2.4%内预测距离。以此方式，我们表明网络检测方面的进展为增强公共安全应用及更广领域的检测提供了实质性机会。