反式二苯乙烯闪烁体中用于中子-伽马鉴别的无监督与有监督机器学习方法的组合

《IEEE Transactions on Nuclear Science》：A Combination of Unsupervised and Supervised Machine Learning Approaches for Neutron-Gamma Discrimination in Trans-Stilbene Scintillators

　　

摘要：

传统的利用闪烁体探测器进行脉冲形状甄别（PSD）的技术在混合中子-伽马场中以低探测阈值运行时面临局限性。主要挑战在于低能区的重叠，这使得难以定义明确的甄别边界。此外，这些方法通常需要大量的脉冲预处理，包括精心选择积分窗口，这可能会降低效率并增加计算复杂度。本研究提出了一种用于对苯乙烯（trans-stilbene）探测器增强中子-伽马甄别的两阶段机器学习流水线。在第一阶段，采用高斯混合模型（GMM）结合主成分分析（PCA）对完整的数字化脉冲矢量进行无监督聚类，无需人工阈值选择即可自动生成中子和伽马标签。将该标注方法优化的电荷积分法（CI）进行了对比验证，结果显示在整个能量范围内两者的性能参数（Figure of Merit）相当。在第二阶段，使用GMM生成的标签，以六个基于物理原理的PSD特征对监督分类器——神经网络（NN）和支持向量机（SVM）——进行训练，在训练集上分别达到了99.5%（NN）和99.2%（SVM）的分类准确率。对独立的60Co伽马源进行交叉源验证，伽马识别准确率达99.3%；在三个独立探测器模块之间进行交叉模块测试，一致率达到94%–98%。这些结果表明，该完全自动化的甄别流水线可直接应用于需要增强粒子识别能力的下一代核仪器系统。