Machine Learning for Pile-Up Decomposition in High Count Rate Gamma Spectroscopy Using a HPGe Detector
Notice bibliographique
Résumé
In high count rate gamma-ray spectral measurements using a HPGe detector, pulse pile-up events cause a hard challenge for pulse height analysis due to distortions in pulse waveform and height. The conventional digital pulse height analyzers avoid the problems caused by the distortions by applying a pile-up rejection algorithm, which leads to unavoidable high dead time at high count rates. As a solution to address this issue, we present a convolutional neural network (CNN)-based method to decompose pile-up pulses from the preamplifier output and analyze the height of each decomposed pulse. The network is trained using the pile-up events that were artificially generated by applying various time intervals using clean pulses collected at low count rates using a planar HPGe detector. An input of the CNN model is the waveform of a pile-up pulse while the output comprises two pulses after decomposition, each of which is represented by a length of 2000 sampling channels per pulse at 16-bit precision. The height of each decomposed pulse is subsequently determined using a trapezoidal filter written in Python and a pulse height spectrum is produced. The pulse height spectrum obtained with the pile-up decomposition for the artificially generated pile-up pulse dataset demonstrated energy resolution comparable to the resolution of the spectrum collected using a commercial multi-channel analyzer. To evaluate the performance of the decomposition algorithm for real pile-up pulses from the HPGe detector, waveforms of pile-up pulses were collected at various count rates from 500 cps to 128 kcps and analyzed off-line through the CNN model for each count rate. The result showed a notable degradation in energy resolution at high count rates, primarily due to the baseline distortions caused by the incomplete decay of previous pulses. Further work in decomposition algorithm is currently underway to address this issue and improve the energy resolution.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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 | 0,001 |
| 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 ».