Интерпретируемое восстановление нейтронных спектров нейро-нечёткой моделью с полной SHAP-регуляризацией
Боковая панель статьи
Основное содержимое статьи
Аннотация
Работа посвящена восстановлению энергетического спектра нейтронов по откликам многошарового спектрометра Боннера. Эта задача относится к некорректно поставленным обратным задачам, поскольку малые ошибки в измеренных откликах могут заметно искажать восстановленный спектр. В качестве основного подхода предложен двухэтапный метод на основе многовыходной ANFIS-модели с полной SHAP-регуляризацией и тихоновским условием гладкости. SHAP-цель вычисляется в режиме exact SHAP по коалициям десяти входных измерений, а внутренняя важность определяется через градиент ошибки восстановления. Обучение, валидация и тестирование проводились на наборе из 375 нейтронных спектров с разбиением 225/75/75. В итоговом прогоне достигнуто значение R² = 0,84, а проверка по нескольким начальным состояниям генератора случайных чисел подтвердила положительный AUC-разрыв внутренней важности.
Работа выполнена в рамках государственного задания Министерства науки и высшего образования Российской Федерации (тема № 124112200072-2).
Скачивания
Информация о статье
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.
Библиографические ссылки
Bramblett R. L., Ewing R. I., Bonner T. W. A new type of neutron spectrometer // Nuclear Instruments and Methods. 1960. Vol. 9, No. 1. P. 1–12. https://doi.org/10.1016/0029-554X(60)90043-4.
Compendium of Neutron Spectra and Detector Responses for Radiation Protection Purposes. Technical Reports Series No. 403. Vienna: International Atomic Energy Agency, 2001.
Tikhonov A. N., Goncharsky A. V., Stepanov V. V., Yagola A. G. Numerical Methods for the Solution of Ill-Posed Problems. Dordrecht: Kluwer Academic Publishers, 1995.
Reginatto M. Overview of spectral unfolding techniques and uncertainty estimation // Radiation Measurements. 2010. Vol. 45, No. 10. P. 1323–1329. https://doi.org/10.1016/j.radmeas.2010.06.016.
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. P. 532–534. https://doi.org/10.1134/S1063779624030298
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. P. 190. https://doi.org/10.1134/S154747712470239X
A neutron spectrum unfolding computer code based on artificial neural networks / J. M. Ortiz-Rodriguez, A. Reyes Alfaro, A. Reyes Haro [et al.] // Radiation Physics and Chemistry. 2014. Vol. 95. P. 428–431. https://doi.org/10.1016/j.radphyschem.2013.05.007.
Neutron spectrum unfolding using two architectures of convolutional neural networks / M. Bouhadida, A. Mazzi, M. Brovchenko [et al.] // Nuclear Engineering and Technology. 2023. Vol. 55, No. 6. P. 2276–2282. https://doi.org/10.1016/j.net.2023.03.025.
Bayesian neural networks for neutron spectrum unfolding in the EAST tokamak / B. Zhou, Z. Hu, M. Zhong [et al.] // IEEE Transactions on Instrumentation and Measurement. 2025. Vol. 74. Article No. 1007209. https://doi.org/10.1109/TIM.2025.3554325.
Белый А. А., Стариковская М. Д., Чижов К. А. Разработка веб-приложения для эксперимента по восстановлению спектра нейтронов с применением алгоритмов нейронный сетей // Системный анализ в науке и образовании. 2025. № 2. С. 49–57. EDN: XQZWTL. URL: https://sanse.ru/index.php/sanse/article/view/664.
Chizhov K. A., Bely A. A. Neutron Spectrum Unfolding Using Deep Learning Models for Tabular Data // Moscow Univ. Phys. 2025. Vol. 80. № S3. P. S987–S995. https://doi.org/10.3103/S0027134925702832.
Jang J.-S. R. ANFIS: adaptive-network-based fuzzy inference system // IEEE Transactions on Systems, Man, and Cybernetics. 1993. Vol. 23, No. 3. P. 665–685. https://doi.org/10.1109/21.256541.
Kennedy J. Particle swarm optimization / J. Kennedy, R. Eberhart // Proceedings of ICNN'95, International Conference on Neural Networks. 1995. Vol. 4. P. 1942–1948. https://doi.org/10.1109/ICNN.1995.488968.
Lundberg S. M., Lee S.-I. A unified approach to interpreting model predictions // Advances in Neural Information Processing Systems. 2017. Vol. 30.
Shapley L. S. A value for n-person games // Contributions to the Theory of Games II / eds. H. W. Kuhn, A. W. Tucker. Princeton: Princeton University Press, 1953. P. 307–317. https://doi.org/10.1017/CBO9780511528446.003.
Lin J. Divergence measures based on the Shannon entropy // IEEE Transactions on Information Theory. 1991. Vol. 37, No. 1. P. 145–151. https://doi.org/10.1109/18.61115.
Gastwirth J. L. The estimation of the Lorenz curve and Gini index // The Review of Economics and Statistics. 1972. Vol. 54, No. 3. P. 306–316. https://doi.org/10.2307/1937992.
Verified Explainability Core: A GD–ANFIS/SHAP Hybrid Architecture for XAI 2.0 / Yu. V. Trofimov, A. D. Lebedev, A. S. Ilin, A. N. Averkin // Automatic Documentation and Mathematical Linguistics. 2025. Vol. 59. P. S469–S478. https://doi.org/10.3103/S0005105525701420.