A Method for Neutron-Gamma Pulse Shape Discrimination of CLYC Detector Based on a Gated Residual-Linear Attention Network

Este artículo propone una red de atención lineal dispersa residual cíclica con compuerta recursiva mejorada para detectores CLYC que logra una discriminación de forma de pulso neutrón-gamma de alta precisión (98,7% de precisión, factor de calidad de 2,2) con una resistencia al ruido robusta y una latencia ultrabaja (0,05 ms) adecuada para el despliegue embebido en tiempo real.

Lo esencial

La visión general: Separar el "ruido" de la "señal"

Imagina que estás en una fiesta concurrida donde dos tipos de personas están gritando: Neutrones y Rayos gamma. Ambos gritan, pero tienen voces ligeramente diferentes.

• Los Neutrones gritan con una voz lenta y pesada que tarda un tiempo en desvanecerse.
• Los Rayos gamma gritan con una voz aguda y rápida que se detiene abruptamente.

En el mundo real, también hay ruido de fondo (como gente tosiendo o música sonando). El objetivo de esta investigación es construir un "superoyente" que pueda distinguir instantáneamente la diferencia entre el Neutrón y el Rayo gamma, incluso cuando la fiesta es muy ruidosa y caótica.

Los investigadores construyeron un programa de computadora especial (una red neuronal) para realizar este trabajo de escucha utilizando un tipo específico de sensor llamado detector CLYC.

El problema con los métodos antiguos

Antes de este nuevo método, los científicos intentaban clasificar estas voces usando dos formas principales:

1. La forma "Analógica": Como usar un oído mecánico simple. Funciona bien en una habitación tranquila, pero se confunde fácilmente si hay demasiado ruido de fondo.
2. La forma "Digital": Como grabar el sonido y analizar su frecuencia. Esto es muy preciso, pero requiere equipos costosos y de alta velocidad (como una cámara que toma mil millones de fotos por segundo) y es lento de procesar.

Ambos métodos antiguos tenían dificultades cuando la señal era débil o el ruido era alto.

La nueva solución: El "Detective Inteligente" (RGLR-SLA)

Los autores crearon un nuevo modelo de IA llamado RGLR-SLA. Piensa en este modelo como un detective superinteligente que observa la forma del grito (el pulso) desde tres ángulos diferentes al mismo tiempo.

Así es como trabaja el detective, desglosado en tres trucos:

1. La cámara de tres lentes (Detección de características multiescala)

Imagina que miras una ola en el océano.

• Lente 1 (Zoom cercano): Mira las diminutas ondulaciones en la parte superior de la ola (el borde ascendente).
• Lente 2 (Zoom medio): Mira el cuerpo principal de la ola (la parte media).
• Lente 3 (Gran angular): Mira toda la ola de principio a fin (la larga cola).

Los métodos antiguos solían mirar a través de un solo lente. Si la ola era pequeña, el lente gran angular perdía los detalles. Si la ola era enorme, el lente de zoom se perdía. Este nuevo detective utiliza los tres lentes a la vez, asegurando que capture cada detalle, ya sea que la señal sea diminuta o enorme.

2. El equipo "Local vs. Global" (Fusión residual con compuerta)

El detective tiene dos asistentes:

• Asistente A (Local): Se enfoca en los detalles diminutos e inmediatos de la onda sonora.
• Asistente B (Global): Recuerda la larga historia del sonido para ver el panorama general.

A veces la habitación está tranquila y el Asistente A es perfecto. A veces la habitación es ruidosa y el Asistente A se confunde, pero el Asistente B aún puede escuchar el patrón. El detective utiliza un "Mecanismo de Compuerta" (como un semáforo inteligente) para decidir cuánto escuchar al Asistente A y cuánto escuchar al Asistente B. Si hay ruido, escucha más al asistente Global. Si está despejado, escucha más al asistente Local. Este trabajo en equipo hace que el sistema sea muy resistente al ruido.

3. El "Lector Veloz" (Atención lineal dispersa)

Normalmente, los modelos de IA que observan secuencias largas de datos (como un discurso largo) se vuelven lentos porque intentan comparar cada palabra con todas las demás. Esto es como intentar leer un libro comparando cada letra con todas las demás letras del libro: toma una eternidad.

Este nuevo modelo utiliza un truco de "Atención Lineal Dispersa". En lugar de leer todo el libro, aprende a saltarse las partes aburridas y solo enfocarse en las palabras más importantes. Esto hace que el detective sea 50 veces más rápido que la IA estándar de "lectura lenta", permitiéndole procesar señales en tiempo real sin necesidad de una supercomputadora.

Los Resultados: ¿Qué tan bueno es el detective?

Los investigadores probaron este nuevo detective en un conjunto de datos de casi 20,000 pulsos (algunos de neutrones, otros de rayos gamma). Así fue su desempeño:

• Precisión: Acertó la respuesta el 98.7% de las veces.
• Resistencia al ruido: Incluso cuando añadieron estática pesada (simulando una fiesta muy ruidosa), el detective todavía acertó el 95.1% de las veces. Los métodos antiguos cayeron por debajo del 80% de precisión en estas condiciones.
• Velocidad: Puede procesar una sola señal en 0.05 milisegundos en una tarjeta gráfica estándar. Eso es lo suficientemente rápido como para ser utilizado en sistemas de monitoreo en tiempo real, como los utilizados para la seguridad nuclear.

La Conclusión

El artículo afirma que, al combinar una visión de "tres lentes", un equipo inteligente "local/global" y un mecanismo de atención de "lectura veloz", han construido un sistema que es:

1. Más preciso que los métodos tradicionales.
2. Mucho mejor para ignorar el ruido.
3. Lo suficientemente rápido como para ser utilizado en equipos de seguridad del mundo real en tiempo real.

Demostraron con éxito esto utilizando un detector específico (CLYC) y una fuente de radiación construida a medida, mostrando que este nuevo "detective de IA" está listo para ayudar a mantener los entornos nucleares seguros y monitoreados de manera eficiente.

Resumen técnico

Resumen Técnico: Un Método para la Discriminación de Forma de Pulso Neutrón-Gamma de un Detector CLYC Basado en una Red de Atención Lineal Residual con Compuerta

Planteamiento del Problema
La discriminación de pulsos de neutrones y rayos gamma es una tecnología crítica para el monitoreo de la seguridad nuclear y la evaluación de la radiación. Si bien los neutrones poseen un alto poder de penetración y plantean riesgos significativos, su detección se ve frecuentemente complicada por la presencia simultánea de rayos gamma, que introducen interferencia en el análisis de datos. Los métodos tradicionales de Discriminación de Forma de Pulso (PSD), incluyendo enfoques basados en circuitos analógicos y técnicas digitales de dominio del tiempo (por ejemplo, comparación de carga, tiempo de subida), suelen sufrir de sensibilidad al ruido y una aplicabilidad limitada en campos de radiación mixta de baja actividad. Por el contrario, los métodos de dominio de la frecuencia ofrecen una fuerte inmunidad al ruido, pero imponen requisitos de hardware estrictos, necesitando típicamente tasas de muestreo superiores a 1 GS/s. Aunque algoritmos inteligentes recientes basados en aprendizaje automático y aprendizaje profundo han mostrado ser prometedores, persisten desafíos relacionados con la débil resistencia al ruido, la capacidad limitada de extracción de características y el rendimiento insuficiente para el despliegue embebido en tiempo real.

Metodología
Para abordar estas limitaciones, los autores desarrollaron una red mejorada de Atención Lineal Residual con Bucle de Compuerta Recursiva (RGLR-SLA), implementada en una plataforma experimental de detector CLYC (Cs2LiYCl6:Ce). La metodología involucra tres componentes arquitectónicos primarios:

1. Incrustación de Bloques Multiescala: La red utiliza canales convolucionales paralelos para extraer características a través de diferentes escalas temporales. Específicamente, captura detalles de bordes de subida a nivel de nanosegundos, tasas de decaimiento a nivel de microsegundos y características de contorno general a nivel de 10 microsegundos. Este enfoque supera las limitaciones de escala única de los algoritmos tradicionales, permitiendo que el modelo pondere adaptativamente las características según la energía del pulso (por ejemplo, enfocándose en los bordes de subida para pulsos de baja energía y en las tendencias de decaimiento para pulsos de alta energía).
2. Módulo RGLR Mejorado: Este módulo central emplea una fusión sinérgica de características locales y globales. Utiliza convoluciones separables profundas para extraer detalles de la forma de onda local y Unidades Recurrentes de Compuerta (GRU) bidireccionales para capturar dependencias temporales de largo alcance. Un mecanismo de compuerta aprendible pondera y fusiona estas características de forma adaptativa, mientras que las conexiones residuales mitigan el desvanecimiento del gradiente. Este diseño tiene como objetivo suprimir la interferencia en entornos de alto ruido manteniendo la resolución en condiciones de bajo ruido.
3. Atención Lineal Dispersa (SLA) Mejorada: Para satisfacer las demandas de procesamiento en tiempo real, la red reemplaza la autoatención estándar (complejidad O(n²)) con un mecanismo de atención lineal dispersa. Al combinar estrategias de dispersión con proyección lineal, la complejidad computacional se reduce a O(n), mejorando significativamente la eficiencia sin sacrificar la capacidad de modelar características globales.

Configuración Experimental y Datos
El estudio utilizó una plataforma experimental que comprende un generador de neutrones NG-9 D-D (que produce neutrones de 2.5 MeV) y fuentes gamma estándar de 137Cs y 60Co. Se utilizó un detector CLYC (cristal de 25 mm × 25 mm) acoplado con un tubo fotomultiplicador (PMT) y un sistema de adquisición de datos de alta velocidad para capturar las señales de pulso. Un conjunto de datos de 19,971 muestras válidas (8,974 neutrones y 10,977 gammas) fue preprocesado mediante supresión de ruido, normalización de amplitud y verificación de calidad (asegurando una SNR ≥ 30 dB). Los datos se estratificaron en conjuntos de entrenamiento (75%), validación (15%) y prueba (10%).

Resultados Clave
La red RGLR-SLA demostró un desempeño superior en múltiples métricas en comparación con los métodos tradicionales (comparación de carga, tiempo de subida, gradiente de frecuencia) y modelos de aprendizaje profundo de referencia (CNN+LSTM+Transformer):

• Desempeño de Clasificación: El modelo logró una Figura de Mérito (FoM) de 2.2, una precisión de clasificación del 98.7%, una precisión (precision) del 96.4%, una exhaustividad (recall) del 99.4% y un valor F1 de 97.9%.
• Robustez al Ruido: Bajo condiciones de baja relación señal-ruido (20 dB), el modelo mantuvo una precisión del 95.1%, superando significativamente a los métodos tradicionales que caen por debajo del 80% bajo condiciones similares.
• Eficiencia Computacional: El modelo contiene aproximadamente 2.8 millones de parámetros. En una GPU NVIDIA RTX 4070, el tiempo de procesamiento por pulso es de 0.05 ms; en una CPU Intel Core i7-12800HX, es de 0.3 ms. Este rendimiento satisface los requisitos para el monitoreo en tiempo real y el despliegue embebido.

Significancia y Reivindicaciones
El artículo afirma que la red RGLR-SLA proporciona una solución técnica factible para la discriminación de forma de pulso de alta precisión, robusta y en tiempo real en campos de radiación mixta neutrón-gamma. Los autores sostienen que su enfoque logra con éxito el equilibrio entre precisión y eficiencia al:

1. Capturar características físicas multiescala de los pulsos que los métodos tradicionales de escala única omiten.
2. Lograr la fusión adaptativa de características locales y globales para mejorar la inmunidad al ruido.
3. Reducir la complejidad computacional mediante la atención lineal dispersa, permitiendo el despliegue en hardware con recursos limitados sin sacrificar el rendimiento.

El estudio concluye que el método propuesto supera significativamente a los algoritmos existentes tanto en calidad de discriminación como en capacidad de tiempo real, ofreciendo una vía viable para sistemas avanzados de monitoreo de seguridad nuclear.