DOI: 10.55176/2414-1038-2021-4-5-17
Авторы
Бобровский Т.Л., Прусаченко П.С., Хрячков В.А.
Организация
АО «Государственный научный центр Российской Федерации – Физико-энергетический институт имени А.И. Лейпунского», Обнинск, Россия
Бобровский Т.Л. – инженер-исследователь. Контакты: 249033, Калужская обл., Обнинск, пл. Бондаренко, 1. Тел.: (900) 571-04-77; e-mail: Адрес электронной почты защищен от спам-ботов. Для просмотра адреса в браузере должен быть включен Javascript..
Прусаченко П.С. – научный сотрудник.
Хрячков В.А. – директор по исследованиям, доктор физико-математических наук.
Аннотация
Машинное обучение является одним из передовых направлений в обработке цифровых сигналов. Например, в нейтронной спектрометрии активно применяют искусственные нейронные сети для подавления гамма-фона при анализе сигналов сцинтилляционных детекторов. Данная статья описывает метод определения качества n/γ-разделения искусственной нейронной сетью. Работоспособность метода продемонстрирована на примере анализа сигналов, полученных при измерении спектра мгновенных нейтронов деления 252Cf сцинтилляционным детектором на основе кристалла стильбена. Суть метода заключается в определении доли ложно идентифицированных событий для каждого из анализируемых классов сигналов при помощи известного опорного метода. Для определения ложного счета протонов отдачи использовался образцовый источник гамма-излучения. Этот подход позволил оценить долю событий от электронов, идентифицированных как протоны отдачи, и долю протонов отдачи, воспринимаемых как электроны, в зависимости от световыхода сцинтилляционного сигнала. Это в свою очередь позволило восстановить истинные энергетические спектры для разных типов частиц в том числе для области низких амплитуд сигналов, где качество разделения обычно плохое. Ошибка восстановления амплитудного спектра нейтронов составила менее 8 % для области световыхода менее 120 кэВээ.
Ключевые слова
искусственные нейронные сети, разделение по форме импульса, сцинтилляционный детектор, n/γ-разделение, стильбен, классификация, Keras, параметр разделения, смешанные радиационные поля, спектрометрия нейтронов
Полная версия статьи (PDF)
Список литературы
- Adams J.M., White G. A versatile pulse shape discriminator for charged particle separation and its application to fast neutron time-of-flight spectroscopy. Nuclear Instruments and Methods, 1978, vol. 156, issue 3, pp. 459–476.
- Winyard R.A., Lutkin J.E. and McBeth G.W. pulse shape discrimination in inorganic and organic scintillators. Nuclear instruments and methods, 1971, vol. 95, pp. 141–153.
- Кухтевич В.И., Трыков Л.А., Трыков О.А. Однокристальный сцинтилляционный спектрометр (с органическим фосфором). М.: Атомиздат, 1971. 136 с.
- Sosa C.S. et al. Comparison of analog and digital pulse-shape-discrimination systems. Nuclear Instruments and Methods in Physics Research Section A: Accelerators, Spectrometers, Detectors and Associated Equipment, 2016, vol. 826, 2016, pp. 72–79
- Sӧderstӧrm P.-A. et al. Neutron detection and γ-ray suppression using artificial neural networks with the liquid scintillators BC-501A and BC-537. Nuclear Instruments and Methods in Physics Research Section A: Accelerators, Spectrometers, Detectors and Associated Equipment, 2019, vol. 916, pp. 238–245.
- Griffiths J. et al. Pulse shape discrimination and exploration of scintillation signals using convolutional neural network. Instrumentation and Detectors (physics.ins-det), 2018. Available at: https://arxiv.org/pdf/1807.06853.pdf (accessed 12.11.2021).
- Fu C. et al. Artificial neural network algorithms for pulse shape discrimination and recovery of piled-up pulses in organic scintillators. Annals of Nuclear Energy, 2018, vol. 120, pp. 410–421.
- Doucet E. et al. Machine learning n/γ discrimination in CLYC scintillators. Nuclear Instruments and Methods in Physics Research Section A: Accelerators, Spectrometers, Detectors and Associated Equipment, 2020, vol. 954. doi: https://doi.org/10.1016/j.nima.2018.09.036.
- Zhong Cao, Miller L.F., Buckner M. Implementation of dynamic bias for neutron-photon pulse
shape discrimination by using neural network classifiers. Nuclear Instruments and Methods in Physics Research Section A: Accelerators, Spectrometers, Detectors and Associated Equipment, 1998, vol. 416, pp. 438–445.
- Poulton Mary M. Chapter 3: Multi-layer perceptrons and back-propagation learning. Handbook of Geophysical Exploration: Seismic Exploration, 2001, vol. 30, pp. 27–53.
- Prusachenko P.S. et al. Optimization of the n/γ separation algorithm for a digital neutron spectrometer. Nuclear Instruments and Methods in Physics Research Section A: Accelerators, Spectrometers, Detectors and Associated Equipment, 2018, vol. 905, pp. 160–170.
- Abdulnasir Yildiz et al. Classification and analysis of epileptic EEG recordings using convolutional neural network and class activation mapping. Biomedical Signal Processing and Control, 2021, vol. 68, p. 102720.
- Keras: The Python Deep Learning library. Available at: https://keras.io (accessed 12.11.2021).
- Simpson G. et al. Performance of four digital algorithms for γ−γ timing with LaBr3(Ce) scintillators. Nuclear Instruments and Methods in Physics Research Section A: Accelerators, Spectrometers, Detectors and Associated Equipment, 2019, vol. 940, pp. 50–55.
- Kingma Deiderik, Ba Jimmy. Adam: A Method for Stochastic Optimization. Machine Learning (cs. LG), 22 December 2014. Available at: https://arxiv.org/abs/1412.6980v9 (accessed 12.11.2021).
УДК 539.1
Вопросы атомной науки и техники. Cерия: Ядерно-реакторные константы, 2021, выпуск 4, 4:1
