NeutralNet: an application of deep neural networks to pulse shape discrimination for use with accelerator-based neutron sources
Notice bibliographique
Résumé
Recent works have implemented machine learning based solutions for many complex classification tasks including pulse shape discrimination in radiation detection. The present work aims to advance the application of machine learning to pulse shape discrimination in neutron detection. A machine learning based neutron-gamma discrimination technique is investigated for various neutron energy distributions produced from DD, DT, (α,n), and spontaneous fission neutron sources. Comprehensive investigations on the training data generation techniques, the impact of the PMT bias, and the discrimination performance are conducted. With the increase of the PMT bias voltage, the neutron classification performance peaked at 1500 with 81 % of validation neutrons being identified at a false positive rate of 1E-6 while the further bias increase led to a notable degradation in performance. The unsatisfactory classification performance encountered when training off of one neutron source type and classifying neutrons from the other source types was greatly improved with the application of the transfer learning techniques. The remaining variation in the performance was accounted for by the energy dependence of the neutron classification. It was demonstrated that at the 1E-6 FPR specificity level, the events within the region of overlap for neutron and photon populations could be separated, down to a detected energy of 30 keVee. An overall intrinsic neutron detection efficiency of 12.5 % was achieved for the 252 Cf neutron source at a false positive rate of 1E-6.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 tête enseignante, 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 ».