این مقاله، یک رویکرد جدید با استفاده از یادگیری ماشین برای یافتن چشمه گامای گمشده در یک اتاق با وجود موانع از قبل پیش‌بینی نشده را ارائه می‌دهد. روش پیشنهادی، بهبود قابل توجهی نسبت به روش‌های ارائه شده در مقالات پیشین مولفین دارد. از آنجا که این روش در مواجهه با هندسه نامعلوم اتاق و موانع از قبل پیش‌بینی نشده در آن نیز کارایی خود را حفظ می‌کند، می‌تواند بهبود قابل توجهی در این زمینه ایجاد کند. این رویکرد از دو شبکه عصبی کانولوشنال (CNN) برای تعیین دقیق محل چشمه گاما استفاده می‌کند. شبکه‌های عصبی کانولوشنال، یک نوع قدرتمند از شبکه‌های عصبی مصنوعی هستند که برای تشخیص و طبقه‌بندی الگوها و ویژگی‌های پیچیده در تصاویر استفاده میگردند. در این پژوهش، شبکه های عصبی کانولوشن با استفاده از داده‌های شبیه‌سازی شده توسط برنامه شبیه‌ساز Geant4، آموزش می‌بینند. این امر به شبکه‌های عصبی کانولوشنی اجازه می‌دهد تا الگوها و ویژگی‌های مرتبط با قرار گیری چشمه گاما در مکانهای مختلف اتاق را در انواع سناریوها بیاموزند. توانایی روش پیشنهادی در پیش بینی مکان چشمه گاما در شرایط ذکر شده، قدرت و پتانسیل روش‌های یادگیری ماشینی را در حل مسائل پیچیده نشان می‌دهد. دقت بالای بدست آمده توسط الگوریتم پیشنهادی (95 درصد) بدون نیاز به مداخله انسانی، کاربردهای عملی آن را در سناریوهای دنیای واقعی نیز برجسته می‌کند. نشر این پژوهش در مجله Expert Systems with applications با ضریب تأثیر 8.66، به عنوان یکی مجله تخصصی در زمینه سیستمهای هوشمند، نشان دهنده اهمیت یادگیری ماشین و شبکه های عصبی و استفاده های گوناگون از این روش در موضوعات مختلف علمی از جمله فیزیک و گرایشهای مرتبط با آن است.

لینک دسترسی