AlphaSpectraCNN：一种基于α粒子能谱进行活度分数定量的域自适应卷积神经网络

《Radiation Measurements》：AlphaSpectraCNN: A Domain-Adaptive Convolutional Neural Network for Activity Fraction Quantification from Alpha Particle Spectra

　　

• •
  基于 MCNP6 模拟训练的 CNN 在实验谱上实现 0.95% MAE
• •
  实例归一化在不重新训练的情况下实现从模拟到现实的迁移
• •
  双头架构联合执行分类与定量
• •
  训练集消融研究：5,000–500,000 个 Dirichlet 混合组分布可取得同等准确度

引言

α 能谱学是一种应用广泛的分析技术，可用于核保障中以验证核材料未发生转移 [1]，环境监測中以评估土壤、水和空气中的放射性污染 [2]，以及放射学评估中以表征放射源 [3]。在混合样品中准确识别和定量 α 发射放射性核素面临重大挑战，原因包括多组分谱分解的复杂性、α 谱所特有的非对称峰形，以及在非理想测量几何条件下谱可能发生的畸变。传统分析方法依赖使用半经验数学函数（高斯与多个指数分布卷积）进行人工峰拟合 [4]，在处理含有多种同位素的复杂混合物时，这一过程会愈发费力且高度依赖操作人员。例如，²⁴¹Am（5486 keV）与 ²⁴⁴Cm（5805 keV）的主要 α 线仅相隔 319 keV。虽然这一间隔超过典型探测器的半高全宽（FWHM）20–40 keV，但 α 峰的非对称尾部结构可延伸数百 keV，从复合谱中定量分析各同位素的相对贡献仍是一个非平凡的分解问题，特别是在非理想测量几何条件下遇到的能量分辨率退化情况下尤为如此。

机器学习方法，尤其是卷积神经网络（CNNs），在伽马射线能谱自动分析方面已取得显著成功 [5]、[6]、[7]、[8]。Liang 等 [5] 开发了一种基于 CNN 的核素识别算法，能够实现伽马发射同位素的快速识别。Galib 等 [6] 对使用 NaI 伽马射线谱进行自动放射性同位素识别的机器学习方法进行了比较研究，在实验数据上达到了 90–93% 的识别准确率。Wang 等 [7] 引入了一种基于 CNN 并结合类激活映射以提供可解释性的可解释放射性核素识别算法。Turner 等 [8] 探讨了使用 CNN 对复杂伽马射线谱进行自动核素识别时所面临的挑战。然而，CNN 在 α 能谱学中的应用仍相对缺乏研究。Yan 等 [9] 最近基于深度学习和蒙特卡罗建模展示了 α 能谱同位素的定量识别能力，是该领域少有的探索之一。

在部署机器学习模型用于光谱分析时，一个根本性挑战是模拟到实验的域偏移。虽然蒙特卡罗粒子输运代码（MCNP6）模拟提供了物理精确的光谱数据 [10]，但它们无法内生地建模实验测量中存在的所有系统性变化，包括探测器效率漂移、能量标定偏移以及电子噪声。这一域差距意味着，仅使用模拟数据训练的模型可能无法很好地推广到真实探测器测量。计算机视觉领域的近期研究表明，归一化策略可有效弥合域差距：由 Ulyanov 等 [11] 最初为神经风格迁移开发的实例归一化能够在移除实例特定统计量的同时保留内容，Chang 等 [12] 也表明特定领域的批归一化可改进无监督域自适应。

本文提出 AlphaSpectraCNN，一种面向 α 能谱自动活度分数定量的领域自适应 CNN 架构。本工作的主要贡献包括：(1) 首次将混合实例组归一化应用于 α 能谱学的领域自适应，使其能够在不重新训练的情况下部署到实验数据上；(2) 采用多尺度特征提取的双头架构，可同时确认已知库中各同位素的存在/缺失状态并量化其活度分数；(3) 使用 MCNP6 结合 Dirichlet 采样混合组分布以及难度分层的数据划分，构建了全面的基于模拟的训练流程；(4) 通过十二次跨越多个探测器和源–探测器距离的独立测量进行实验验证，实现了低于 1% 的活度 MAE。验证使用包含 ²³⁷Np、²⁴¹Am 和 ²⁴⁴Cm 的混合放射性核素校准源完成。

章节摘要

α 能谱系统

实验装置包括安装在 4001A NIM bin rack 机架中的 ORTEC Alpha Aria 能谱仪。真空泵和一台运行 MAESTRO Multichannel Analyzer Emulation Software 软件的台式计算机连接至 Alpha Aria 腔室。真空腔室压力维持在约 12 mTorr，以尽量减少 α 粒子在残余气体中的能量损失。使用 Eckert & Ziegler 提供的 QCRB4021 混合放射性核素校准源，其中名义包含 ²³⁷Np（150 Bq）、²⁴¹Am（100 Bq）和 ²⁴⁴Cm

MCNP6 探测器模型

MCNP6 是一种通用的蒙特卡罗辐射输运代码，能够在较宽能量范围内模拟中子、光子、电子和重离子的相互作用 [10]。探测器几何结构基于 ORTEC 硅表面结探测器（Si-SBD）的制造商规格进行建模，并用实验室测量数据进行验证 [13]。Si-SBD 由硅二极管晶片中的 p–n 结构成，前表面覆盖一层薄金接触层（约 40 μg/cm²）

架构

AlphaSpectraCNN 架构，如图 2 所示，包含四个主要组件。输入谱被重新分箱为跨越 4,000–7,000 keV 的 1024 个通道，并按总计数进行归一化，形成 1×1024 的输入张量。1024 通道网格是作为模型的固定输入大小选择的，便于采用 2 的幂次；它将采集的谱（多道分析器被配置为 1500 个显示通道）重新分箱到 α 峰能量窗口上，并不与探测器的

训练动态

图 3 显示了 50 个训练轮次中的训练和验证损失曲线以及每个同位素的验证 MAE（提前停止在第 50 轮终止训练，最大轮次为 100）。模型快速收敛，在前几轮内即达到亚百分比的模拟 MAE。验证 MAE 曲线（图 3，右上）显得相对平坦且噪声较大，因为一旦达到该性能下限后，曲线仅在狭窄的亚百分比范围内波动（≈0.5–1.2%）。这种表观波动是

通过实例归一化实现领域自适应

本工作的核心结果是，一个仅使用 MCNP6 模拟数据训练的 CNN 能够在不进行任何重新训练的情况下，在真实实验谱上实现亚 1% 的活度 MAE。我们将这一成功的域迁移主要归功于残差块中采用的混合实例组归一化策略。实例归一化独立地移除每个输入样本的均值和方差，从而有效剔除探测器特定特征（绝对强度、基线偏移、增益）

结论

本文提出 AlphaSpectraCNN，一种用于从 α 粒子能谱中自动量化活度分数的卷积神经网络。该模型仅使用 MCNP6 蒙特卡罗模拟数据训练，在模拟测试数据上实现了 99.6% 的分类准确率和 0.47% 的活度 MAE，并且在十二次独立实验谱上在不进行任何重新训练的情况下实现了 0.95% 的活度 MAE。主要结论如下：

• (1)
  混合实例组归一化被确定为使

CRediT 作者贡献声明

Braden Goddard：撰写——审阅与编辑、监督、软件、资源、项目管理、方法、调查、资金获取、形式分析、概念构思。Gil Rubia：撰写——原稿、可视化、验证、软件、方法、调查、形式分析、数据整理。Mahmoud Khatab：撰写——审阅与编辑、监督、资源、项目管理、调查

数据可用性声明

支持本研究结果所使用的训练数据构成及框架架构参数已详细列于本文中。通过蒙特卡罗粒子输运代码（MCNP6）模拟生成的基础合成混合数据集以及相应的实验评估谱，可在合理请求下向通讯作者索取。

生成式人工智能使用声明

在准备本工作过程中，作者在稿件撰写过程中未使用生成式 AI 或 AI 辅助技术。本声明的初稿由 AI 撰写。

资助声明及资助方角色

本材料基于美国能源部（U.S. Department of Energy）、科学办公室、同位素研发与生产办公室、RENEW 项目在资助编号 DE-SC0024338 下的工作。资助方在研究设计、数据收集、分析、数据解释、稿件撰写以及提交论文发表的决定中均未发挥任何作用。

利益冲突声明

作者声明以下财务利益/个人关系，可能被视作潜在的利益冲突：所有作者均报告，其财务支持、设备和/或物资以及差旅均由 Virginia Commonwealth University 提供。所有作者均报告，其财务支持和/或差旅由美国能源部（U.S. Department of Energy）、科学办公室、同位素研发与生产办公室、RENEW 项目在资助编号 DE-SC0024338 下提供。

致谢

本材料基于由 美国能源部（科学办公室）、同位素研发与生产办公室、RENEW 项目在资助 编号 DE-SC0024338 下的工作。作者衷心感谢 Virginia Commonwealth University 的 高性能研究计算（HPRC）设施提供计算资源。

Gil Rubia|Mahmoud Khatab|Braden Goddard