9月1日消息，据AZoM报道，一项新研究将机器学习与光谱学结合，显著改进了核材料化学的实时监测能力，使化学分析更快、更便宜、更高效。

研究团队利用光谱学技术——一种根据物质对光的吸收特性来识别和测量化学物质强大手段——收集数据，并通过统计实验设计（D-optimal设计）方法高效构建化学计量学模型的训练集：通过优化样本位置排布，在大幅减少所需采样数量的同时保持高预测精度。团队对含有稀土矿物镨和钕同位素的硝酸溶液测试溶液进行了精确测量。

核心数据：最优模型对同位素浓度的预测误差率低至1.2%。研究还考察了不同数量验证样本对模型可靠性的影响，据此确定了稳健分析所需的最佳样本数。

这项研究的价值在于：训练预测模型所需样本更少，帮助科学家改进对有害物质的实时监测，将提升核材料处理、环境监测和工业化工生产等多个领域的化学品处理安全性。成果同时支持自动化、遥感监测技术的开发——这类技术可在复杂化学环境中提升安全性与效率，对核燃料后处理等人员难以接近的场景尤为重要。 （来源：AZoM）