• □ 본 연구에서는 공항/항만 등에서 방사성 물질의 밀반입을 감시하는 포탈모니터로 주로 활용되는 대면적 플라스틱 섬광체를 환경 방사선 모니터링에 활용하기 위한 인공지능 모델의 개발과 해석을 다룬다.
• □ 플라스틱 섬광체를 대면적으로 제작할 경우 기하학적 효율을 높일 수 있어 고민감도를 갖는 방사선 감시기로 활용이 가능하며, 여기에 인공지능 기술을 적용하면 단순 계수 기반의 기술보다 더 정확한 방사선량 측정이 가능하다.
• □ 이를 위하여 방사선 포탈 모니터의 계측 스펙트럼으로부터 환경 방사선 감시를 위한 방호량인 주위선량당량(H*(10))을 추정하는 인공지능 모델을 개발하였으며, 모델 추정 결과의 신뢰성을 높이기 위해 설명가능한 인공지능 기술과 불확실성 정량화 기술로 모델을 탐구하였다.

• □ 모델 개발을 위한 데이터셋을 생성하기 위하여 몬테카를로 전산모사를 통해 대면적 플라스틱 섬광체 검출기를 모델링하였다.

□ 몬테카를로 전산모사 환경에서 구현된 대면적 플라스틱 섬광체 검출기에 대해서, 임의의 에너지를 갖는 감마선에 대한 스펙트럼과 H*(10)을 반복적으로 계산하여 총 100만 쌍의 데이터셋을 생산하였다.

□ 생산한 데이터셋을 이용하여 에너지 스펙트럼으로부터 주위선량당량을 추정하는 트랜스포머 구조의 인공지능 모델을 학습시켰다.

□ 인공지능 모델의 불확실성을 정량화 하기 위한 방법으로는 모델의 구조는 동일하나 서로 다른 초기조건으로 학습된 10개의 모델을 함께 이용하는 심층 앙상블 기법(Deep Ensemble Method, DEM)을 활용하였다.

□ 저에너지부터 고에너지 감마선을 방출하는 교정선원들에 대한 전산모사 스펙트럼과 계측 스펙트럼으로 모델의 성능의 경우, 저에너지를 방출하는 241Am 선원을 제외하고는 10 % 이내의 추정 오차를 달성함을 확인 하였다.

□ 계측 스펙트럼의 계측 통계에 따른 추정 오차와 불확실도 변화의 경우, 계수 값이 낮을 수록, 즉, 스펙트럼의 계측 통계가 나쁠수록, 추정 오차가 크고, 불확실도 또한 높은 것을 확인 하였다. 대략 총 계수 값이 5,000 이상일 때 예측정확도 및 불확실도가 안정화된다.

□ 다음으로 인공지능 모델의 신뢰성을 높이기 위해 입-출력 간의 기여도를 평가할 수 있는 섀플리 값 샘플링(Shapley Value Sampling, SVS)을 이용해 모델을 해석하였다.

□ 이때, 인공지능 기반 선량 추정의 도메인 지식으로는 에너지 스펙트럼을 주위선량당량으로 변환하는 선량 환산 인자(G(E) 함수)를 채택 하였다.

□ 모델 설명 결과, 중-고에너지 스펙트럼의 경우 SVS 기여도의 최대 값을 갖는 영역이 선량 환산 인자와 비슷했으나, 저에너지 영역의 경우 서로 달랐다. 이는 저에너지 영역의 계수 값은 입사 감마선의 에너지가 높건 낮건 항상 존재하기 때문에 인공지능 모델 입장에서는 정보를 담지 않고 있다고 해석할 수 있고, 저에너지 선원에 대한 선량 추정 오차가 크게 나타난 것은 이러한 해석 결과를 뒷받침 하는 결과이다.

• □ 고민감도를 갖는 대면적 플라스틱 섬광체를 환경 방사선 모니터링에 활용하기 위한 인공지능 기반의 선량 추정 모델을 개발하였고 이를 해석하였다.
• □ 인공지능 모델은 몬테카를로 전산모사를 통해 계산된 임의의 에너지를 갖는 감마선에 대한 스펙트럼과 이때의 주위선량당량으로 구성된 데이터로 학습시켰고, 전산모사와 계측 스펙트럼 모두를 이용하여 추정 성능을 확인하였다.
• □ 또한 선량 추정 불확실도를 정량화 하기 위해서 심층 앙상블 기법을 이용했으며, 인공지능 모델 해석을 위해서 SVS 기법을 이용하였다.
• □ 해석 결과 개발된 인공지능 모델은 에너지 스펙트럼을 주위선량당량으로 변환하는 선량 환산 인자(G(E)) 기반의 선량 추정 기법과 유사한 방식으로 선량을 추정함을 확인하였다.