面向极端环境的深度学习放射性核素定量分析：在高温与强辐射下的鲁棒γ能谱解析

本刊推荐：为解决极端环境（高温、强辐射）下传统γ能谱分析因非线性谱畸变而失效的难题，研究人员开展了基于二维卷积神经网络（2D CNN）的深度学习放射性核素定量研究。该系统采用Ce:GPS闪烁体与耐辐射探测器，直接在原始畸变谱上估计核素比例，在未训练温度（75/125°C）和辐射剂量条件下平均绝对误差（MAE）低至1.82%和1.86%，实现了无需环境参数或校准的鲁棒量化，对核事故监测与放射性废物管理具有重要意义。

　　

在核能、航天探测乃至高能物理等领域，准确识别与定量分析放射性核素是保障安全与推进研究的基础。γ能谱学通过捕捉伽马射线的能量特征，成为完成这一任务的关键技术。然而，当探测器置身于极端环境——比如核电站事故中可能超过200°C的高温，或是每年累积超过200 Mrad的强辐射剂量——传统分析方法的短板便暴露无遗。高温会引起探测器增益漂移（Gain Shift），而累积辐射照射则会导致闪烁体永久性退化，造成能谱峰展宽、位移乃至抑制。更复杂的是，这些因素并非独立作用。例如，研究发现高温在引起增益漂移的同时，还可能对先前的辐射损伤产生退火（Annealing）效应，这种复杂的相互作用以高度非线性的方式扭曲能谱，使得依赖稳定谱形特征的传统峰值匹配、模板匹配算法彻底失效。即便发展出一些事后校正技术来应对单一因素（如温度漂移），它们也难以处理多种极端条件同时作用的复杂局面。因此，发展一种能够直接解读畸变能谱、无需预先知晓环境参数或进行复杂校正的鲁棒分析方法，成为了该领域迫在眉睫的需求。

深度学习，特别是卷积神经网络（CNN），为解决这一难题带来了曙光。其强大的从数据中学习复杂非线性模式的能力，使其在辐射探测的诸多挑战中表现出色，例如分离混合辐射信号、从低分辨率谱中识别核素等。与全连接神经网络（ANN）相比，CNN的卷积结构更擅长捕捉能谱中局部的特征关系（如光电峰与其康普顿边缘的关联），这使其天生具备应对峰位移动和谱形畸变的潜力。然而，此前的研究大多局限于受控环境下的轻微畸变，对于真正极端条件下（如高温与严重辐射损伤并存）的深度学习应用，仍存在显著的研究空白。

为此，发表在《Radiation Physics and Chemistry》上的这项研究，旨在开发并验证一个基于深度学习的系统，能够在高温和辐射降解这两种截然不同的极端条件下，使用一个统一的模型实现可靠的放射性核素定量分析。

为开展本研究，研究人员整合了多项关键技术方法。首先，他们设计并搭建了一套适用于极端环境的伽马射线测量系统，其核心包括一个Ce:GPS闪烁体和一个耐高温光电倍增管（PMT），通过长电缆连接至后端的信号处理单元，确保只有探测头暴露于恶劣条件。研究包含两大实验：高温实验（25–150°C）使用未辐照的 pristine 闪烁体，测量了五种核素（¹³⁷Cs, ⁶⁰Co, ²²Na, ¹³³Ba, ¹⁵²Eu）的能谱；辐照后实验则在室温下使用15个经过⁶⁰Co源辐照（剂量0–1.67 MGy）的Ce:GPS样品测量了相同核素的能谱。从这些高统计量的事例池中，合成了大量混合谱用于模型训练与测试。数据分析的核心是一个定制设计的二维卷积神经网络（2D CNN），它将一维能谱重塑为二维矩阵以更好地提取空间特征，并通过数据增强（如随机增益缩放）来提高模型对微小谱漂移的鲁棒性。模型的训练策略旨在测试其泛化能力，即仅使用部分温度点（25, 50, 100, 150°C）和部分辐照剂量点进行训练，而后在全部条件（包括未训练的75/125°C和中间剂量点）上评估其性能。

3.1. 极端条件下的光谱表征

研究结果首先揭示了极端环境对能谱造成的严重畸变。随着温度升高，¹³⁷Cs的光输出显著下降，能量分辨率恶化。同样，累积辐射照射导致Ce:GPS样品物理退化（变为不透明的黄色），在最高剂量（1.67 MGy）下，光输出降至原始的21.9%，能量分辨率恶化了一倍以上。这些变化证实了传统分析方法所面临的复杂、非线性的谱形挑战。

3.2. 高温环境下的模型性能

模型在全部温度条件下表现出高精度，整体平均绝对误差（MAE）为1.49%。尤为关键的是，对于未在训练中出现的75°C和125°C，模型的MAE仅轻微上升至1.82%。这一结果表明，该CNN模型能够成功内插，在无需知晓具体工作温度的情况下进行准确量化，这是传统校正算法难以完成的任务。

3.3. 辐射损伤闪烁体的模型性能

模型在辐照后数据集上也展现了强大的鲁棒性，在所有降解水平上的整体MAE为1.67%。在未训练的剂量步骤上，平均MAE为1.86%，仅略高于训练步骤的1.58%。研究注意到¹⁵²Eu在剂量步骤2（34 kGy）处出现MAE的局部升高，通过深入分析发现，这并非过拟合，而是由于该特定剂量下低能连续谱的选择性衰减，影响了¹⁵²Eu依赖其低中能多重峰进行识别的特征，增加了与其他核素（如¹³³Ba）的谱重叠，从而导致了误差的暂时性增加。

本研究成功验证了一个基于深度学习的系统，能够在高温（至150°C）和辐照后（至1.67 MGy）两种极端环境下，使用单一CNN模型实现准确的放射性核素定量。核心结论是，该模型不仅能有效解耦复杂的非线性谱畸变，更重要的是其展现出卓越的泛化能力，能对未经训练的中间环境状态做出准确预测。这种直接基于原始光谱进行数据驱动分析的方法，摆脱了对显式环境校正的依赖，相比传统方法具有显著优势。对¹⁵²Eu异常案例的分析也提供了一个重要启示：模型的可靠性内在依赖于训练数据的多样性。这为未来研究指明了方向，即需要通过纳入更广泛的谱变化来进一步增强模型的鲁棒性。同时，如何扩展模型能力以应对现场应用中可能出现的未知放射性源，将是下一个重要的研究挑战。这项工作是γ能谱学领域的一项重要进展，为解决核事故监测、放射性废物管理等高风险挑战性环境中的可靠同位素分析提供了切实可行的解决方案。