中性网:开发和测试用于脉冲形状歧视的机器学习解决方案
Richard L Garnett1, Soo Hyun Byun1
1Department of Physics and Astronomy, McMaster University, Hamilton, ON, L8S 4K1, Canada.
概括
机器学习,特别是修改后的GoogLeNet,使用液体闪器显著改善了中子探测. 这种方法在混合辐射场中实现了高精度的中子与光子的区分.
科学领域:
- 核仪器仪表和测量 核仪器仪表和测量 核仪器仪表和测量
- 应用机器学习应用机器学习
- 辐射检测 物理 辐射检测
背景情况:
- 鉴定中子辐射场的特征是具有挑战性的,因为探测器的灵敏度和混合环境中的二次粒子生成.
- 液体闪器中的脉冲形状歧视 (PSD) 对于在其他辐射类型中识别中子至关重要.
研究的目的:
- 开发和评估机器学习架构,以增强液体闪器中的脉冲形状歧视.
- 调查数字化器采样参数对中子检测机器学习算法性能的影响.
主要方法:
- 使用了EJ-301液晶闪电器和CAEN DT-5743数字化器 (3.2 GHz,12位分辨率).
- 使用238Pu9Be和241Am9Be中子源和24Na,60Co,137Cs光子源用于数据生成.
- 测试了各种机器学习架构,包括修改的GoogLeNet,具有不同的数字化采样率和位深度.
主要成果:
- 一个经过修改的GoogLeNet架构实现了最高的性能,中子识别的真正阳性率为69.17%.
- 实现了99.9999%的异常光子排斥率.
- 性能与中子能量有所不同,从1.30%在>3 MeVee到89.96%在340-1000 keVee之间,其中21.48%的识别低于200 keVee.
结论:
- 机器学习,特别是优化的GoogleLeNet,显著提高了混合辐射场中的中子探测能力.
- 全数字化器采样速率和位深度对于实现基于机器学习的PSD的最佳性能至关重要.
- 开发的方法显示了准确的中子场表征的前景,特别是在较低的能量范围内.
