A Neural Network Approach to Multi-radionuclide TDCR Beta Spectroscopy
Li Yi and Qian Yang
液体闪烁三倍倍重比(TDCR)光谱被广泛采用为放射性核素定量的标准方法,因为它具有高精度,自校准能力和独立于放射性参考源等固有优势。 然而,通过TDCR进行多放射性核素分析面临着自动化有限和依赖特定于混合物标准的挑战,这可能并不容易获得。 在这里,我们展示了一个人工智能(AI)框架,该框架结合了数值光谱模拟和深度学习,用于无标准的自动化分析。 使用Geant4模拟以及统计建模的探测器响应采样生成模型训练的β光谱。 量身定制的神经网络架构,在这个数据集上训练,涵盖各种核混合比和淬火场景,可以实现单个放射性核素活动的自主分辨率,并通过端到端学习范式检测效率。 该模型在任务中提供了一致的高精度:活动比例(平均绝对误差=0.009),检测效率(平均绝对误差=0.002)和光谱重建(结构相似度指数=0.9998),验证其物理合理性,用于淬炼β光谱。 这种人工智能驱动的方法在自动化安全兼容的多放射性核素分析中具有巨大的潜力,具有强大的概括,实时处理能力和工程可行性,特别是在不需要参考材料或需要快速现场分析的情况下。
Liquid scintillation triple-to-doubly coincident ratio (TDCR) spectroscopy is widely adopted as a standard method for radionuclide quantification because of its inherent advantages such as high precision, self-calibrating capability, and independence from radioactive reference sources. However, multiradionuclide analysis via TDCR faces the challenges of limited automation and reliance on mixture-specific standards, which may not be easily available. Here, we present an Artificial Intelligence (A...