基于深度学习与蒙特卡洛模拟的α能谱定量同位素识别方法研究

针对环境放射性污染监测中α放射性同位素定量识别的难题，本研究创新性地结合深度学习与蒙特卡洛模拟技术，开发了六层隐藏层神经网络模型（含70万可训练参数），直接以能谱数据输入实现多核素含量百分比预测。通过Geant4模拟生成500余种单核素基础能谱库，随机混合构建400万训练数据集，最终在模拟和实测混合α源测试中分别实现<1%和<2%的绝对误差。该方法为复杂α能谱的自动化定量分析提供了新范式，在核环境监测领域具有重要应用价值。

　　

在核能与核技术快速发展的今天，环境中的α放射性污染问题日益凸显。α粒子因其高线性能量转移（LET）特性，对人体组织的电离损伤能力远超β和γ射线，但传统α能谱分析面临巨大挑战：α粒子在物质中的射程仅数十微米，能谱测量需复杂样品制备；实际能谱存在峰重叠、低能拖尾等问题；传统峰拟合算法依赖复杂卷积函数（如高斯-指数函数组合），计算复杂度高且误差难控。尽管人工神经网络（ANN）已尝试应用于α能谱分析，但单隐层的反向传播（BP）网络处理能力有限，而深度学习在这一领域的探索几乎空白。

中国核工业集团有限公司领创研究团队在《Radiation Measurements》发表的研究，开创性地将深度学习与蒙特卡洛模拟相结合，构建了包含6个隐藏层的深度神经网络（DNN）模型。该研究通过Geant4模拟商业α谱仪（Canberra Alpha Analyst? 7401）的检测条件，建立含500余种单核素基础能谱的数据库，采用随机权重混合生成400万训练样本。模型输入1024通道标准化能谱，直接输出核素含量百分比向量，在模拟和实测混合α源测试中分别实现0.7%和1.8%的平均绝对误差，验证了该方法在复杂α能谱定量解析中的卓越性能。

关键技术方法包括：1）基于Geant4的α能谱蒙特卡洛模拟，考虑不同测量条件构建基础能谱库；2）Python开发的Keras框架深度神经网络，含1024-512-256-128-64-32-16-8节点结构；3）能谱数据预处理算法（平滑、能量校准、标准化）；4）随机权重混合算法生成百万级训练数据集。

【Theoretical of alpha spectrum analysis】
研究阐明了α粒子能谱离散特征与核素半衰期的Geiger-Nuttall定律关系，指出4-9 MeV能量区间多峰重叠是定量分析的物理难点。

【Spectrum data pre-processing and training data set preparation】
通过能量校准和计数归一化处理，将不同设备获取的能谱统一至1024通道标准格式。Geant4模拟考虑了探测器死层、样品自吸收等实际因素，生成的单核素能谱包含不同真空度和样品厚度的变化条件。

【Deep learning model developing】
设计的全连接DNN采用ReLU激活函数和Adam优化器，损失函数选用均方误差（MSE）。模型训练在GPU工作站完成，批量大小设置为512，验证集损失在100轮后趋于稳定。

【Results and discussion】
测试显示：1）对模拟混合能谱，²³⁹Pu、²⁴¹Am等核素识别误差<0.5%；2）Geant4模拟的固定比例混合谱误差0.7%；3）实测²³⁸U-²³⁴U-²³²Th标准源误差1.8%，主要源于实际测量中的电子噪声干扰。

【Conclusion】
该研究首次实现了端到端的α能谱深度解析，突破传统峰拟合方法依赖人工特征的局限。通过蒙特卡洛模拟解决训练数据短缺问题，建立的DNN模型可直接从原始能谱预测核素组成，为环境放射性自动监测装备开发奠定算法基础。未来通过扩展核素库、增加能谱变异条件，可进一步提升模型泛化能力。研究获得国家核工业集团领创计划、广东省基础与应用基础研究基金等项目支持，相关技术已申请专利保护。