Архитектура глубокого развертывания с модулем нейросетевой регуляризации многокомпонентной невязки в задаче восстановления спектров нейтронов
Боковая панель статьи
Основное содержимое статьи
Аннотация
Восстановление спектра нейтронов по показаниям многошарового спектрометра Боннера является некорректно поставленной задачей по Адамару. Это приводит к неединственности решений и их неустойчивости при наличии в данных шумов. Предлагается подход на основе архитектуры глубокой развертки (DUN) c модулем нейросетевой регуляризации в виде MLP-блоков. Для соответствия решений физическим условиям задачи используется многокомпонентная функция потерь, содержащая слагаемые, отвечающие за среднеквадратичную и дозовую ошибки, гладкость спектра и соответствия решения показаниям детектора. Тестирование проводилось на 251 спектре из компендиума МАГАТЭ, в данные была внесена 5 % случайная ошибка. Разработанный подход демонстрирует высокую точность восстановления спектра (ошибка дозы составила 6 %) и может быть внедрен на предприятиях с дозиметрическим контролем.
Скачивания
Информация о статье
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.
Библиографические ссылки
Chizhov K., Beskrovnaya L., Chizhov A.. Neutron Spectrum Unfolding Method Based on Shifted Legendre Polynomials, Its Application to the IREN Facility // Physics of Particles and Nuclei Letters. 2025. Vol. 22(2). Pp. 337–340.
Reginatto M., Goldhagen P. MAXED, A Computer Code For The Deconvolution Of Multisphere Neutron Spectrometer Data Using The Maximum Entropy Method. – New York: Environmental Measurements Laboratory, U.S. Department of Energy, 1998.
Восстановление энергетического спектра потока нейтронного излучения с помощью алгоритма машинного обучения «случайный лес» / K. A. Chizhov, A. A. Bely, M. D. Starikovskaia, E. N. Volkov // Современные информационные технологии и ИТ-образование. 2024. Т. 20, № 4.
Chizhov K., Chizhov A. Optimization of the Neutron Spectrum Unfolding Algorithm Using Shifted Legendre Polynomials Based on Weighted Tikhonov Regularization // Physics of Particles and Nuclei. 2025. Vol. 56, № 6. Pp. 1395–1399.
Chizhov K., Beskrovnaya L., Chizhov A. Neutron Spectra Unfolding from Bonner Spectrometer Readings by the Regularization Method Using the Legendre Polynomials // Physics of Particles and Nuclei. 2024. Vol. 55. № 3. Pp. 532–534.
Chizhov K. A., Bely A. A. Neutron Spectrum Unfolding Using Deep Learning Models for Tabular Data // Moscow University Physics Bulletin. 2025. Vol. 80, № S3. Pp. S987–S995.
Monga V., Li Y., Eldar Y. C. Algorithm Unrolling: Interpretable, Efficient Deep Learning for Signal and Image Processing // IEEE Signal Processing Magazine. 2021. Vol. 38(2). Pp. 18-44.
Акимочкина М. А., Борщев Д. С., Чижов К. А. Нейросетевое восстановление спектра нейтронов с физически информированной функцией потерь // Физико-технические интеллектуальные системы : сборник тезисов V Научно-практической конференции (ФТИС–2026), 10–12 февраля 2026 г., Москва / сост. И. Г. Кулло, С. П. Масленников, Е. В. Рябева. Тамбов : ООО «Издательство Юлис», 2026. С. 14.
Engl H. W., Hanke M., Neubauer G. Regularization of Inverse Problems. Dordrecht: Springer Netherlands, 1996.
FRUIT: An operational tool for multisphere neutron spectrometry in workplaces / R. Bedogni, C. Domingo, A. Esposito, F. Fernández // Nuclear Instruments and Methods in Physics Research Section A: Accelerators, Spectrometers, Detectors and Associated Equipment. 2007. Vol. 580(3). Pp. 1301–1309.
Сompendium of neutron spectra and detector responses for radiation protection purposes: technical reports series No. 318. Vienna: International Atomic Energy Agency, 2001. 288 p.