NeutralNet: Development and testing of a machine learning solution for pulse shape discrimination
Notice bibliographique
Résumé
Accurate description of radiation fields containing neutrons continues to be a difficult task to complete. This difficulty arises because of the inherent sensitivity of neutron detectors to other types of radiation, and the ability of neutrons to generate secondary particles producing mixed field environments. This research looks at the development and performance of various machine learning architectures when applied to the task of pulse shape discrimination with liquid scintillators. This work was carried out with a neutron sensitive liquid scintillator, EJ-301, with signals digitized at 3.2 GHz with 12 bits of resolution utilizing a CAEN DT-5743 digitizer. Measurements were artificially reduced in sampling depth and frequency to investigate the importance of these parameters for performance of the machine learning algorithms. Two isotopic neutron source, 238Pu9Be and 241Am9Be, and three photon sources: 24Na, 60 Co, and 137Cs were used for generation of the training and validation sets as well as for energy calibration. The greatest performance was achieved with a lightly altered implementation of GoogLeNet and with the full sampling rate and bit depth afforded by the digitizer. A true positive rate of 69.17 % was achieved while correctly rejecting 99.9999 % of photon events. This performance ranges from 1.30 % at events greater than 3 MeVee to 89.96 % between 340–1000 keVee. For neutron events with energy below 200 keVee 21.48 % of the validation neutrons are still identified as neutrons.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,004 | 0,002 |
| Intégrité de la recherche | 0,003 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 0,004 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».