// SCINEXX — SPAZIO & SCIENZA
KI nutzt Myonen, um verborgene Objekte genauer zu orten
Kosmische Durchleuchtung: Myonen können dicke Mauern und andere massive Strukturen durchdringen. Doch ihre Messspuren ergeben oft nur verschwommene Bilder. Eine neue KI-Methode kombiniert gerade und abgelenkte Teilchenbahnen und ortet verborgene Gegenstände damit in Simulationen genauer als bisherige Verfahren. Ein erster Versuch mit realen Detektordaten zeigt allerdings noch deutliche Grenzen.
Tartu (Estland). Das Innere von Brücken, Betonwänden oder dicken Behältern lässt sich ohne Eingriff oft nur schwer untersuchen. Eine ungewöhnliche Methode nutzt dafür Myonen, kurzlebige Elementarteilchen aus der kosmischen Strahlung, die auch massive Materialien durchdringen. Ihre Spuren liefern Hinweise auf Hohlräume und eingeschlossene Gegenstände.
Bei der Durchleuchtung alter Monumente hat das Verfahren bereits verborgene Strukturen sichtbar gemacht. Doch die Teilchen treffen nur in begrenzter Zahl auf die Messgeräte, und ihre Flugbahnen enthalten Messunsicherheiten. Deshalb bleiben die daraus rekonstruierten Bilder oft undeutlich, vor allem bei kleinen oder dicht beieinanderliegenden Objekten.
Forscher der University of Tartu (UT) um Kallol Roy haben gemeinsam mit dem estnischen Technologieunternehmen GScan untersucht, wie sich die Bilder mithilfe künstlicher Intelligenz verbessern lassen. Dafür nutzen sie zwei unterschiedliche Hinweise aus den Myonenspuren: Gerade Bahnen sprechen eher gegen ein dichtes Hindernis, deutliche Ablenkungen hingegen für dessen Anwesenheit.
Bisherige Rekonstruktionsverfahren werten vor allem die Richtungsänderungen der Teilchen aus. Nun kombinieren neuronale Netze beide Arten von Messdaten und berechnen daraus, an welchen Stellen eines untersuchten Volumens sich Objekte befinden könnten. Diese doppelte Perspektive soll den Informationsgehalt der spärlichen Messungen besser ausschöpfen.
„Die Verarbeitung von Myonendaten erfordert komplexe Lösungen des maschinellen Lernens und der Datenanalyse“, erklärt Tarvo Metspalu, Produktentwicklungsingenieur bei GScan.
Um ihre Modelle zu trainieren, erzeugte das Team mit der Teilchensimulation Geant4 insgesamt 500 künstliche Messszenen mit jeweils vier Gegenständen. Davon dienten 400 zum Training, 50 zur Überprüfung während der Entwicklung und weitere 50 als unabhängige Testfälle. Für jede Szene wurden geradlinige und gestreute Myonenspuren in räumliche Schnittbilder übersetzt.
Die Auswertung zeigte: KI-Modelle, die beide Datentypen zusammen nutzen, bestimmten die Lage versteckter Objekte in den Simulationen genauer als Modelle mit nur einem Datentyp. Besonders gut schnitt eine Architektur namens XXY-Net ab, die beide Informationsströme mehrfach miteinander verknüpft. Überraschend war zudem, dass die Modelle mit weitgehend unbearbeiteten Messbildern besser arbeiteten als nach einer zusätzlichen Bildbereinigung.
Die Universität berichtet außerdem über eine ergänzende Hybridmethode, die in Simulationen nah beieinanderliegende Objekte besser voneinander trennte. Demnach sank der Anteil fälschlich zu einem einzigen Objekt zusammengefasster Gegenstände von ungefähr 15 auf zwei Prozent. Diese Zusatzangabe wird in der hier zugeordneten Fachstudie jedoch nicht als eigenes Ergebnis ausgewiesen.
Wie begrenzt die Übertragbarkeit bislang ist, zeigt ein erster Versuch mit Daten eines realen Myonenscanners. Dabei erreichte das beste Modell bei einem Vergleich von vorhergesagten und tatsächlichen Objektflächen nur einen Übereinstimmungswert von rund 0,10 auf einer Skala von null bis eins. Der Test belegt damit noch keine zuverlässige Ortung unter praktischen Bedingungen.