受美国国防威胁降低局资助，空军技术学院的研究人员利用机器学习算法处理激光等离子体光谱数据，以测量CE材料中的GA含量。
钚（PU）是核武器、核电站使用的金属元素。为确保PU生产质量，需要监测生产过程中的GA和其他微量金属。最新研究表明可以使用激光诱导击穿光谱（LIBS）检测微量金属，但是光谱数据处理较难。为此，研究人员利用4种机器学习算法分析LIBS的激光等离子光谱数据，检测CE材料中的GA含量（作为放射性PU中GA检测的替代）。首先将纯度99.995%的CE氧化物与纯度99%的GA氧化物混合，经研磨后用模具压制成不同百分比浓度GA的样品。然后利用LIBS系统测量样品，获得9个样品的360个光谱数据，每个光谱包含60001个特征波长。经过数据处理后，利用主成分分析法分解数据，构建训练和测试数据集。对集成回归、支持向量机、高斯核回归、人工神经网络4种机器学习算法，使用检测限和预测均方根误差指标评估，结果表明，高斯核回归性能最好，预测均方根误差为0.33%，检测限为0.015%。
这项研究分析了4种机器学习算法处理LIBS光谱数据的性能，表明可以用机器学习算法监测PU生产质量。