Machine learning predicts ammunition from gunshot residue — ABC Chemicals

Инструмент судебной экспертизы поможет следователям повернуть время вспять химии огнестрельного оружия

Machine learning predicts ammunition from gunshot residue - ABC Chemicals

Источник: © Shutterstock

Модель сложной химии, которая происходит при стрельбе из пистолета, может предсказать компоненты в боеприпасах из остатков выстрела. Метод машинного обучения может обойти узкие места в текущих судебных процедурах.

В прошлом анализ остатков выстрела в значительной степени основывался на стрельбе из боеприпасов, часто изъятых у подозреваемого, с использованием подозрительного огнестрельного оружия для получения контрольных остатков, которые судмедэксперты сравнивают с образцами места преступления. Тем не менее, это отнимает много времени, зависит от наличия боеприпасов и огнестрельного оружия, и это сложно сделать, прежде чем арестовать подозреваемого или если боеприпасы отсутствуют или были переданы через цель.

Чтобы преодолеть эти ограничения, команда под руководством Маттео Галлидабино из Университета Нортумбрии изучает машинное обучение, область искусственного обучения, которая выявляет сложные взаимосвязи между данными. Они разработали метод, который предсказывает боеприпасы, используемые в огнестрельном оружии, не требуя контрольного образца, приготовленного из подозрительного оружия и боеприпасов.

«Метод, о котором мы сообщаем, является принципиально новым подходом к криминалистическому профилированию, особенно тех следов, которые сохраняют мало характеристик своих исходных материалов во время процедур их формирования и передачи», — объясняет Галлидабино. «Мы сообщаем об использовании этого подхода главным образом для поддержки реконструкции и расследования преступлений, а также для установления быстрой связи между остатками огнестрельного оружия и типами боеприпасов. Это может быть инструментом для изменения игры в тех случаях, когда использовалось несколько типов огнестрельного оружия или боеприпасов ».

Machine learning predicts ammunition from gunshot residue - ABC Chemicals

Для разработки своей методики моделирования качественных отношений профиль-профиль (QPPR) они подготовили ряд образцов органических огнестрельных остатков с использованием девяти типов боеприпасов и проверили как исходный образец, так и полученный огнестрельный остаток с помощью газовой хроматографии. Затем они использовали эти данные, чтобы протестировать 14 методов машинного обучения и получить оптимизированную модель, которая предсказывает, как бы выглядели профили бездымных порошков, используемых в качестве метательных зарядов в огнестрельном оружии, до стрельбы на основе профиля остатка органического выстрела после выписки.

Команда Галлидабино продолжает исследовать более широкое применение их моделирования QPPR и стремится расширить его возможности, в том числе для анализа других сложных микроэлементов, таких как взрывчатые вещества или ускорители. «Моя конечная цель — разработать интегрированное и универсальное, простое в использовании программное решение для поддержки анализа и профилирования широкого спектра различных материалов, обычно используемых в криминалистике, чтобы помочь судебным практикам в различных дисциплинах подходить к решению проблем на уровне источника. ‘

Джейсон Биркетт (Jason Birkett), работающий в исследовательской группе по химической баллистике в Ливерпульском университете имени Джона Мураса, Великобритания, говорит, что это исследование «имеет большой потенциал для объединения доказательств, основанных на профилях органических остатков огнестрельного оружия — это захватывающее событие». Он считает, что этот метод может выйти за пределы судебно-медицинской экспертизы: «Я вижу, что это применяется в других областях, где требуется сравнение химических следов. Есть бесчисленные возможности.

Добавить комментарий

Ваш адрес email не будет опубликован. Обязательные поля помечены *