Peneliti Kembangkan Model AI untuk Estimasi Presisi Pengayaan Uranium
Riset University of Sharjah menguji tiga model machine learning pada data spektroskopi gamma, mencatat akurasi klasifikasi material nuklir hingga 100 persen.
Foto: TechXplore (Dokumentasi editorial)
Poin penting
- Tiga model gradient boosting mencatat akurasi klasifikasi 100 persen untuk tiga kategori material uranium.
- Algoritma XGBoost memimpin estimasi pengayaan uranium-235 dengan koefisien determinasi sempurna (R² 1,0000).
- Hasil riset menjadi bukti potensi teknis analisis spektral, bukan bukti efektivitas operasional inspeksi.
Teknologi kecerdasan buatan kini diteliti untuk mendukung analisis material nuklir. Tim ilmuwan di University of Sharjah mengembangkan sistem machine learning yang mampu memprediksi tingkat pengayaan uranium dengan presisi tinggi sekaligus mengidentifikasi jenis material dari data spektroskopi gamma.
Menurut laporan TechXplore mengenai publikasi di jurnal Annals of Nuclear Energy, kerangka kerja ini dirancang menguji data spektroskopi gamma berbasis simulasi tolak ukur IAEA. Peneliti memproyeksikan sistem ini dapat menjadi alat bantu potensial dalam pengawasan Traktat Non-Proliferasi Nuklir (NPT).
Performa Tiga Model Gradient Boosting
Riset tersebut mengevaluasi tiga algoritma gradient boosting, yakni XGBoost, CatBoost, dan LightGBM. Ketiga model machine learning ini dilatih menggunakan data simulasi detektor germanium kemurnian tinggi (HPGe), standar industri untuk uji tak-rusak (nondestructive assay).
Dalam tugas klasifikasi, ketiga model membukukan nilai sempurna 100 persen pada metrik akurasi, presisi, recall, dan F1-score. Algoritma berhasil membedakan tiga kategori material, yaitu uranium alamiah (NU), uranium diperkaya rendah (LEU), dan uranium sangat diperkaya (HEU).
Sementara pada regresi prediksi kadar isotop uranium-235 (235U), XGBoost mencatat kinerja terbaik dengan mean squared error (MSE) 0,0019 dan nilai R² 1,0000. LightGBM menyusul dengan R² 0,99999 serta waktu komputasi lebih cepat, sedangkan CatBoost mencatat skor R² 0,9971.
Kerangka kerja yang diusulkan menunjukkan potensi machine learning sebagai alat pendukung keputusan untuk aktivitas pengawasan terpilih yang melibatkan spektroskopi gamma.
Kendati demikian, para peneliti menggarisbawahi bahwa hasil ini harus ditafsirkan sebagai bukti potensi teknis analisis spektral berbasis AI, bukan bukti peningkatan efektivitas pengawasan nyata. Uji coba masih terbatas pada data tolak ukur simulasi dan memerlukan validasi operasional lapangan sebelum dipertimbangkan dalam kerangka verifikasi resmi.
Apa Artinya bagi Pelaku Usaha
Studi ini membuktikan keunggulan algoritma machine learning terstruktur seperti gradient boosting untuk membaca data sensorik berdimensi tinggi. Bagi sektor industri berisiko tinggi seperti energi, kimia, manufaktur presisi, dan laboratorium pengujian material di Indonesia, pendekatan ini jauh lebih hemat biaya dan efisien dibanding menerapkan model AI generatif yang berat.
Manajemen fasilitas industri dapat memanfaatkan algoritma serupa untuk mempercepat inspeksi mutu berkala dan pemantauan uji tak-rusak. Automasi analisis data sensor mampu mereduksi risiko kelalaian teknisi dalam menafsirkan anomali sinyal spektral yang rumit, sehingga standar keselamatan kerja dan kepatuhan regulasi tetap terjaga.
Langkah mitigasi yang tepat adalah menempatkan model AI murni sebagai alat pendukung keputusan, bukan instrumen verifikasi mandiri. Pelaku usaha disarankan memvalidasi model machine learning menggunakan data historis internal terlebih dahulu sebelum mengintegrasikannya ke dalam protokol operasional pabrik atau laboratorium.
✓ Lolos pemeriksaan redaksi AI. (Klik untuk lihat hasil pemeriksaan fakta)
Artikel ini ditulis AI, 6 klaimnya dicocokkan dengan sumber, dan diuji keterbacaannya sebelum terbit. Menemukan kekeliruan? Laporkan ke redaksi.
- TechXplore: New AI model could help UN nuclear watchdog achieve near-perfect uranium enrichment assessment
| Klaim | Putusan | Dasar di sumber |
|---|---|---|
| Riset University of Sharjah menguji tiga model machine learning (gradient boosting: XGBoost, CatBoost, LightGBM) pada data spektroskopi gamma untuk estimasi pengayaan uranium dan klasifikasi material. | Didukung | “The research introduces a dual-task machine learning framework that simultaneously predicts uranium-235 (235U) enrichment levels and classifies nuclear material types using gamma spectroscopy data.” TechXplore melaporkan penelitian dari University of Sharjah yang dipublikasikan di Annals of Nuclear Energy. |
| Ketiga model machine learning mencatat akurasi klasifikasi 100 persen (termasuk presisi, recall, dan F1-score) untuk kategori uranium alamiah (NU), uranium diperkaya rendah (LEU), dan uranium sangat diperkaya (HEU). | Didukung | “recording 100% accuracy, precision, recall and F1-score across the highly enriched uranium (HEU), low-enriched uranium (LEU) and natural uranium (NU) categories.” TechXplore menyebutkan ketiga model klasifikasi meraih skor sempurna pada ketiga kategori material. |
| Model XGBoost mencatatkan performa terbaik dalam regresi prediksi uranium-235 dengan MSE 0,0019 dan nilai R² 1,0000. | Didukung | “with XGBoost yielding a mean squared error (MSE) of 0.0019, a mean absolute error (MAE) of 0.0281 and a coefficient of determination (R²) of 1.0000” TechXplore mencatat hasil evaluasi regresi XGBoost. |
| LightGBM mencatatkan R² 0,99999 dengan waktu komputasi lebih cepat, sementara CatBoost mencatatkan R² 0,9971. | Didukung | “LightGBM and CatBoost followed with R² values of 0.99999 and 0.9971, respectively.” TechXplore mencatat metrik R² LightGBM dan CatBoost serta keunggulan kecepatan komputasi LightGBM. |
| Data yang digunakan berasal dari simulasi tolak ukur IAEA untuk detektor germanium kemurnian tinggi (HPGe). | Didukung | “The three gradient boosting models were trained on structured datasets derived from IAEA benchmark simulations of high-purity germanium (HPGe) detector outputs.” TechXplore menjelaskan sumber data pelatihan model. |
| Hasil riset merupakan bukti potensi teknis analisis spektral, bukan bukti peningkatan efektivitas pengawasan IAEA di lapangan nyata, karena masih memerlukan validasi operasional. | Didukung | “Consequently, the results should be interpreted as evidence of the technical potential of AI-assisted spectral analysis rather than as proof of enhanced safeguards effectiveness.” TechXplore menegaskan batasan penelitian yang masih berbasis simulasi tolak ukur. |
Video AI terbaru
Kuken Industries searches 70 years of drawings in minutes
