机器学习从枪击残留物中预测弹药

射击时发生的复杂化学反应的模型可以从射击残留物中预测弹药中的成分。这种机器学习方法可以绕过当前法医程序中的瓶颈。

在过去，枪击残留物分析主要依赖于射击弹药，通常是从嫌疑人身上缴获的，使用可疑枪支产生参考残留物，法医科学家将其与犯罪现场样本进行比较。然而，这是耗时的，依赖于可用的弹药和火器，并且在逮捕嫌疑人之前，或者在弹药丢失或穿过目标时很难做到。

为了克服这些限制，由马特奥Gallidabino来自诺森比亚大学的他一直在研究机器学习，这是人工学习的一个子领域，它可以分解数据之间的复杂关系。他们开发了一种方法，可以预测枪支中使用的弹药，而不需要从可疑武器和弹药中制备参考样本。

“我们报告的方法基本上是一种全新的法医分析方法，特别是那些在形成和转移过程中几乎没有保留原始材料特征的痕迹，”加里达比诺解释说。“我们报告说，使用这种方法主要是为了支持犯罪重建和调查，并在枪击残留物和弹药类型之间建立快速联系。”在使用多种枪支或弹药的情况下，这可能是一个改变游戏规则的工具。”

为了开发定性轮廓-轮廓关系(QPPR)建模技术，他们使用9种弹药制备了大量有机枪击残留物样本，并使用气相色谱法对初始样本和最终的枪击残留物进行了测试。然后，他们利用这些数据测试了14种机器学习技术，并获得了一个优化模型，该模型可以根据有机射击残留物的轮廓来预测在发射前作为枪支推进剂的无烟粉末的轮廓。

Gallidabino的团队正在继续研究QPPR模型的更广泛应用，并希望扩展其功能，包括分析其他复杂的微量材料，如爆炸物或助燃剂。“我的最终目标是开发一个集成的、通用的、易于使用的软件解决方案，以支持对法医科学中常见的各种不同材料的分析和分析，帮助不同学科的法医从业者解决源级问题。”

杰森伯他在英国利物浦约翰摩尔斯大学的化学弹道学研究小组工作，他说这项研究“在结合有机枪击残留物的证据方面具有巨大的潜力——这是一个令人兴奋的发展。”他认为这种方法可以超越法医学领域:“我可以看到它被应用到其他需要比较化学痕迹的领域。”有无数种可能性。”