使用卷积神经网络的中子成像系统的源形状估计.
Gary Saavedra1, Verena Geppert-Kleinrath1, Chris Danly1
1Los Alamos National Laboratory, Los Alamos, New Mexico 87544, USA.
The Review of scientific instruments
|August 29, 2024
概括
卷积神经网络 (CNN) 提供了一种更快的方法,可以从中子成像数据中重建聚变源几何. 这种方法提供了融合热点的快速,简化表示.
科学领域:
- 核聚变物理学 核聚变物理学
- 诊断成像 诊断成像 诊断成像
- 计算科学 计算科学
背景情况:
- 中子成像对于在国家点火设施 (NIF) 诊断惯性封闭融合 (ICF) 是至关重要的.
- 目前的方法使用计算密集的最大概率估计来重建聚变源的几何结构.
- 需要更快的方法来简化融合源几何学的表示.
研究的目的:
- 开发和评估卷积神经网络 (CNN),用于重建聚变源的几何结构.
- 将CNN的性能与中子成像数据的传统方法进行比较.
- 为了展示CNN在半阴影和针孔成像数据上的应用.
主要方法:
- 用于图像重建的卷积神经网络 (CNN) 的开发.
- 使用来自光圈阵列和闪光灯探测器的中子流量数据.
- 在模拟和实验中子成像数据上测试CNN的性能,包括噪音条件.
主要成果:
- CNNs成功地重建了简单的融合源几何形状的外部轮.
- 开发的CNN为传统方法提供了计算效率高的替代方案.
- 证实了CNN在半阴影和针孔成像配置上的有效性,即使有噪音.
结论:
- 在ICF研究中,CNN为分析中子成像数据提供了快速有效的工具.
- 这种方法可以更快地描述聚变源的几何形状,有助于实验分析.
- 在核聚变实验中,CNN方法显示出对实时或近实时诊断的前景.


