人工神经网络在基于活化测量确定轫致辐射谱的展开程序中的应用

《Radiation Physics and Chemistry》:The use of artificial neural networks for the unfolding procedures in determination of the bremsstrahlung spectra based on activation measurement

【字体: 大 中 小 】 时间:2026年10月18日 来源:Radiation Physics and Chemistry 3.5

编辑推荐:

   •人工神经网络根据活化数据重构轫致辐射能谱。•多层感知机为反折叠方法提供了稳定的替代方案。•结合Geant4模拟与TALYS核建模。•减少了逆重建中的模型依赖性。•利用实验光子核反应活化数据进行验证。引言现代电子加速器产生的高能光子辐射在众多的科学、技术和医学应用中广泛使用(

  
  • •
    人工神经网络根据活化数据重构轫致辐射能谱。
  • •
    多层感知机为反折叠方法提供了稳定的替代方案。
  • •
    结合Geant4模拟与TALYS核建模。
  • •
    减少了逆重建中的模型依赖性。
  • •
    利用实验光子核反应活化数据进行验证。

引言

现代电子加速器产生的高能光子辐射在众多的科学、技术和医学应用中广泛使用(Kawano等人,2020;Zilges等人,2022)。在这些应用中,光致核反应是核物理研究中一个尤为重要且要求严格的领域。由于其电磁相互作用特性,光子核反应为研究核结构和探索基本核性质提供了宝贵的工具。
在实验研究中,引发此类反应所需的光子最常见的是以加速电子产生的轫致辐射的形式产生。因此,精确了解轫致辐射光子能谱对于正确解释光子核反应数据至关重要。然而,直接实验测定轾致辐射能谱通常不可行。高能轾致辐射束所伴随的极高光子通量导致传统光谱系统中严重的信号堆积效应和探测器死时间饱和。此外,高能光子在标准探测器材料中全能量沉积的相对较低概率进一步增加了光谱测量的难度。
鉴于电子和光子在物质中的底层相互作用过程已被充分理解,数值模拟为表征轾致辐射束提供了可靠的替代方案。蒙特卡罗程序如Geant4(Agostinelli等人,2003)能够对电子输运和光子产生进行详细建模,从而以高精度估计轾致辐射能谱的关键特性。
从实验角度来看,光子能谱信息可以通过选择具有可靠能量依赖截面数据的光子核反应间接推断。在足够高的光子能量下,多种反应通道可能开启,导致中子、质子、α粒子或其他次级粒子的发射。在本工作中,特别关注(γ, xn)反应。由于中子不受库仑势垒影响,中子发射通道通常表现出比涉及带电粒子发射的通道显著更高的反应概率。
对于许多稳定核,(γ, xn)反应的截面在巨偶极共振(GDR)能量区域——最高约30 MeV——已被充分确立。在此能量范围内,通过将多个光子核反应的测量产物活度与精确已知的截面相结合,可以数值重构轾致辐射光子能谱。相比之下,文献中关于较高光子能量下涉及多中子发射反应的实验数据仍然稀少(Soppera等人,2014;Otuka等人,2014)。由于这一有限的实验数据库,高能区所需的大量截面信息目前必须从理论核反应模型中获得。
本研究建立在先前利用光子核活化数据推断高能轾致辐射光子能谱特性的工作基础上,其中能谱重构采用经典反折叠技术,利用有限的一组实验测量的活化数据重构轾致辐射能谱的形状(Jovan?evi?等人,2024)。重建过程需要产生实验观测到的活化产物的光子核反应的可靠能量依赖截面。选择天然单同位素209Bi作为活化靶,并用端点能量为100 MeV的轾致辐射束进行辐照。在209Bi的(γ, xn)反应中,能量上允许发射最多九个中子。文献中已有209Bi的(γ, n)和(γ, 2n)反应的实验截面数据(Harvey等人,1964;Forkman和Petersson,1987)。对于更高的中子多重度,若干研究报告了反应产额和活化产物的分析(Naik等人,2009;Naik等人,2011;Ermakov等人,2010;Soppera等人,2014;Otuka等人,2014;Belyshev等人,2015),但能量微分截面的直接测量基本缺失。Gheorghe等人(2017)报告了(γ, n)、(γ, 2n)、(γ, 3n)和(γ, 4n)截面的测量,但仅覆盖光子能量40 MeV以下的范围,且涉及带电粒子发射的竞争性反应通道贡献。
先前工作的主要目标是在假定截面数据可用的前提下,评估是否能使用现有反折叠代码(SAND-II(McElroy等人,1967)和GRAVEL(Dombrowski,2023))重构高能轾致辐射能谱。本研究扩展了这一概念,探索由TALYS核反应程序计算的理论截面是否可以作为可靠输入用于能谱重构,同时结合蒙特卡罗模拟的光子能谱。具体而言,利用Geant4模拟获得的光子能谱与TALYS生成的光子核截面计算饱和活度,并用这些数据训练多层感知机人工神经网络。
训练后的人工神经网络(ANN)随后被应用于重现轾致辐射光子能谱的形状,并以实验测量的活化数据作为最终验证来评估其性能。通过这种方式,本研究检验了从先前基于反折叠的研究中得出的结论是否可以扩展到机器学习框架中,为高能轾致辐射能谱重构提供了一种替代且潜在更灵活的方法。
此外,本研究还探索了人工神经网络,特别是多层感知机(MLP)架构,作为经典反折叠算法的替代方案(Ili?等人,2025)。目标是评估这种基于机器学习的逆方法是否能提供稳定且物理一致的轾致辐射能谱重建,同时降低对核反应模型参数不确定性的敏感性。

章节摘要

先前的工作

轾致辐射光子能谱的确定被处理为基于活化测量的逆问题。实验上可测量的量,即反应产物的饱和活度A,与光子通量之间的关系通过积分表达式表示: A=∫ETEmaxσ(E)Φ(E)dE,其中 σ(E) 是特定反应的能量依赖截面, Φ(E) 表示光子通量, ET 是反应的阈值能量, Emax 对应于最大光子

构建用于轾致辐射能谱重建的多层感知机

通过采用多层感知机(MLP)模型,提出了一种经典反折叠技术的替代方案,该模型不需要指定初始或默认光子能谱(Sohrabi等人,2021;He等人,2023;Torres-Díaz等人,2026;Tasinato等人,2025)。与SAND-II和GRAVEL等方法不同,这些方法中解的确定取决于预定义的起始函数,MLP模型学习测量量与光子

结果

重构的轾致辐射能谱表明,所采用的预处理程序对于此类逆问题是适当的。特别是,标准化输入特征的使用以及输出能谱的归一化选择提供了足够的数值稳定性,使得神经网络能够在整个能量范围内重现具有物理意义的轾致辐射分布形状。ANN的预测结果保持平滑,并与

讨论与结论

所得结果表明,多层感知机方法可以成功地应用于从209Bi(γ, xn)反应的归一化饱和活度重建轾致辐射能谱。在所研究的两种情形中,分别对应于Hartree–Fock-Bogoliubov表格(HFB)和简化修正洛伦兹模型(SMLO),重构的能谱与经典反折叠方法获得的结果吻合良好。同时,它们保留了预期的物理

CRediT作者贡献声明

N. Jovan?evi?: 撰写 – 审阅与编辑,撰写 – 原稿,可视化,验证,监督,软件,资源,方法论,调查,形式化分析,数据整理,概念构思。S. Ili?: 撰写 – 审阅与编辑,撰写 – 原稿,可视化,验证,软件,资源,方法论,调查,形式化分析,数据整理。D. Kne?evi?: 撰写 – 审阅与编辑,撰写 – 原稿,可视化,方法论,调查。D.

利益冲突声明

作者声明他们没有已知的可能影响本文所报告工作的竞争性财务利益或个人关系。
N. Jovan?evi?|S. Ili?|D. Kne?evi?|D. Maleti?|C. Stieghorst|S. Oberstedt|D. Boschmann|M. Lebois|M. Krmar
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号