HPGe-Compton Net: a physics-guided CNN for fast gamma spectra analysis via Compton region learning
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract High-purity germanium (HPGe) detectors have been golden standard for gamma spectrometry in low-level radioactive waste (LLW) analysis; however, their notable shortcoming is prolonged measurement durations for weak radioactive waste materials. The present study aimed to develop the HPGe-Compton Net, a 1D physics-guided convolutional neural network to accelerate LLW analysis by taking advantage of the entire response function of a HPGe detector for each radionuclide of interest, in contrast to the traditional methods that analyze only peak regions of the response. This acceleration is supported by two core innovative strategies: (a) channel-prompt method, a feature enhancement incorporating additional physical information to guide the model to locate the designated radionuclide; (b) the specially designed database to achieve effective targeted feature learning. The performance evaluation carried out for test data set showed a five times reduction in measurement time compared to a conventional spectral analysis method while maintaining comparable precision. Compton perturbation tests confirmed the model’s ‘smart’ adaptive utilization of the Compton regions. The generalization testing of four LLW samples as the external validation set proved its superior performance in low-count data with an average accuracy of 90% over 83% of the traditional method. Future work will focus on upgrading the HPGe-Compton Net for practical applications.
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.
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 | 0,001 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| 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 découle