⚛️ high-energy experiments

Gamma Neutron Radioactive Source Identification in Water Cherenkov Detectors

Este artículo demuestra que la integración del umbral de energía estadística con un modelo de aprendizaje automático de conjunto mejora significativamente la discriminación entre gamma y neutrones en detectores de Cherenkov en agua, logrando una precisión de 0,816 y mejorando las capacidades de identificación de radiación para aplicaciones de seguridad nuclear.

Autores originales: A. Núñez Selin, C. Sarmiento Cano, H. Asorey, I. Sidelnik

Publicado 2026-08-10

📖 4 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: A. Núñez Selin, C. Sarmiento Cano, H. Asorey, I. Sidelnik

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina que estás de pie junto a una piscina gigante y cristalina por la noche. Si una partícula de movimiento rápido, como una diminuta bala cósmica, atraviesa el agua más rápido de lo que la luz puede viajar en esa agua, crea una onda de choque de luz azul, muy similar a un estallido sónico pero con fotones. Esto se llama radiación de Cherenkov, y los científicos utilizan enormes piscinas de agua como detectores para captar estos destellos. Por lo general, estos detectores son famosos por detectar rayos cósmicos del espacio o por estudiar misteriosas partículas llamadas neutrinos. Pero recientemente, los científicos se han estado haciendo una pregunta diferente: ¿Pueden estas mismas piscinas de agua ayudarnos a detectar materiales radiactivos peligrosos en la Tierra? El desafío es que las fuentes radiactivas suelen emitir una mezcla de dos cosas: rayos gamma (que son como rayos X de alta energía) y neutrones (partículas neutras que pueden colarse a través del plomo). Para mantener a la gente segura, los equipos de seguridad necesitan distinguir entre estos dos de forma instantánea. Si un detector ve un destello, ¿es solo un rayo gamma inofensivo, o es un neutrón de una fuente nuclear oculta?

Este es exactamente el rompecabezas que un equipo de investigadores de Argentina, Colombia y España se propuso resolver. Querían ver si un detector de Cherenkov de agua estándar podía actuar como un guardia de seguridad inteligente, distinguiendo entre rayos gamma y neutrones sin necesidad de equipo costoso o escaso. No se limitaron a adivinar; construyeron un sistema de "semáforo" de dos pasos. Primero, utilizaron matemáticas tradicionales para establecer un límite de energía estricto: si el destello de luz es demasiado débil, definitivamente son solo rayos gamma. Si es lo suficientemente fuerte, podría ser un neutrón. Pero dado que los rayos gamma de alta energía a veces pueden parecerse a los neutrones, añadieron un segundo paso más inteligente. Entrenaron a un programa informático (un tipo de inteligencia artificial) para que observara la diminuta "forma" del propio destello de luz. Tal como un humano puede distinguir la diferencia entre un golpe de tambor y un golpe de redoblante escuchando la textura del sonido, la computadora aprendió a distinguir la diferencia entre una señal de neutrón y una señal gamma analizando la forma de onda del pulso.

El equipo probó esta idea utilizando un detector real lleno de agua pura, situado en un laboratorio en Bariloche, Argentina. Utilizaron tres diferentes "juguetes" radiactivos para entrenar su sistema: Cobalto-60 y Cesio-137 (que solo emiten rayos gamma) y una fuente de Americio-Berilio (que emite tanto neutrones como rayos gamma). Para que la prueba fuera justa, envolvieron las fuentes en diferentes materiales. A veces usaron plomo para bloquear los rayos gamma y otras veces usaron cera especial y láminas de metal para absorber los neutrones, permitiéndoles aislar exactamente lo que el detector estaba viendo.

Los resultados fueron prometedores. Los investigadores descubrieron que su primer paso, la matemática del "semáforo", funcionó bien para filtrar los rayos gamma de baja energía. Establecieron un umbral de energía específico: si la señal estaba por debajo de cierto punto (alrededor de 9,000 unidades de carga digital), podían decir con seguridad: "No hay neutrones aquí, solo rayos gamma". Sin embargo, para las señales más fuertes donde las cosas se complicaban, la matemática por sí sola no era suficiente. Ahí fue donde la el aprendizaje automático entró en juego. Enseñaron a un "ensamble" de tres modelos diferentes de IA —un clasificador Bagging, un modelo CatBoost y una red neuronal— a trabajar juntos como un panel de jueces. Al combinar sus votos, el sistema se volvió muy bueno para detectar la diferencia.

Cuando probaron este sistema combinado en una señal mixta (la fuente de Americio-Berilio sin blindaje), la IA separó con éxito los destellos de neutrones de los destellos de gamma. El sistema logró una precisión de aproximadamente el 81.6%, lo que significa que identificaba correctamente el tipo de partícula aproximadamente 8 de cada 10 veces. Aún más impresionante, el "Área Bajo la Curva" (una puntuación que mide qué tan bien el sistema separa los dos tipos) fue de 0.921, lo cual es un puntaje muy sólido para este tipo de tarea difícil. El estudio sugiere que, al combinar reglas estadísticas simples con IA moderna, los detectores de agua pueden convertirse en herramientas poderosas para la seguridad nuclear. Pueden realizar un cribado rápido de materiales peligrosos, utilizando el agua misma para frenar los neutrones y la IA para leer la historia escrita en la luz. Aunque el sistema funciona mejor para fuentes de mayor energía y necesita ser recalibrado si el detector cambia, los autores demuestran que este enfoque es una forma sólida y escalable de hacer que los tanques de agua sean guardianes más inteligentes contra la radiación oculta.

Resumen Técnico: Identificación de Fuentes Radiactivas de Neutrones Gamma en Detectores de Cherenkov en Agua

Planteamiento del Problema
Los Detectores de Cherenkov en Agua (WCD, por sus siglas en inglés) son tecnologías establecidas en la astrofísica y la física de altas energías, pero se buscan cada vez más para aplicaciones de seguridad nuclear que requieren la discriminación de campos de radiación mixta de neutrones-gamma. La detección convencional de neutrones suele depender de contadores proporcionales de $^3$ He, los cuales enfrentan restricciones de suministro global. Si bien los WCD ofrecen escalabilidad y seguridad química, carecen de métodos inherentes y robustos para distinguir entre rayos gamma y neutrones en escenarios operativos de seguridad. Los desafíos principales abordados en este trabajo son: (1) establecer umbrales de deposición de energía fiables para realizar una discriminación de tipo de partícula de forma grosera, y (2) desarrollar métodos de clasificación robustos a nivel de pulso para identificar campos de radiación mixtos sin depender de blindajes externos para cada medición.

Metodología
Los autores proponen un marco de discriminación de dos etapas que integra el análisis espectral estadístico con la clasificación de pulsos mediante aprendizaje automático (ML).

Configuración Experimental: Los experimentos se realizaron utilizando un WCD cilíndrico de 1.0 m $^3$ equipado con un tubo fotomultiplicador (PMT) de 9" y un sistema de adquisición de datos basado en FPGA Red Pitaya (muestreo de 125 MS/s). El detector utilizó agua pura tanto como radiador de Cherenkov como moderador de neutrones.
Fuentes y Blindaje: Se utilizaron tres fuentes radiactivas: $^{60}$ $^{60}$ Co y $^{137}$ $^{137}$ Cs (emisores puros de gamma) y $^{241}$ $^{241}$ AmBe (emisor mixto de neutrones-gamma). Para aislar componentes de radiación específicos, se emplearon diversas configuraciones de blindaje:
- Plomo (10 cm): Atenúa los rayos gamma, aislando la señal dominada por neutrones (donde el espectro detectado está impulsado principalmente por los rayos gamma de 2.22 MeV de la captura de neutrones en el agua).
- Parafina Borada + Cadmio: Modera y absorbe los neutrones, aislando el componente gamma de 4.44 MeV.
- Plomo + Parafina Pura: Una configuración mixta para estudiar los efectos combinados.
Etapa 1: Umbral de Energía Estadística:
- Los autores definieron un "Punto de Corte" (CP) en el espectro de carga (medido en Unidades de Conversión Analógica-Digital, ADU) donde el espectro de la fuente se vuelve estadísticamente indistinguible del fondo.
- Esto se determinó utilizando un criterio de significancia de $3\sigma$ basado en la estadística de Poisson: $|N_{src} - N_{bkg}| < 3\sqrt{N_{src} + N_{bkg}}$ .
- Se estableció una calibración lineal entre la carga medida (ADU) y la energía depositada (MeV) utilizando las energías conocidas de las fuentes de calibración y el umbral de Cherenkov para electrones (0.262 MeV).
- Esta etapa funciona como un sistema de "semáforo": los espectros con cortes por debajo del umbral de neutrones indican fuentes gamma puras; aquellos en o por encima sugieren la presencia potencial de neutrones.
Etapa 2: Clasificación de Pulsos mediante Aprendizaje Automático:
- Para las fuentes que exceden el umbral estadístico, se aplicó un enfoque de ML supervisado a las formas de los pulsos.
- Preprocesamiento de Datos: Se seleccionó un rango de carga específico (4500–8000 ADU) para maximizar la relación señal-ruido. Los pulsos se representaron como 32 contenedores temporales. Se utilizó el Muestreo de Submuestreo Aleatorio (RUS) para equilibrar el conjunto de datos de entrenamiento (relación 1:1 entre neutrones y gamma).
- Modelo de Conjunto (Ensemble): Se construyó un clasificador de votación suave (soft-voting) utilizando tres modelos base: un Clasificador de Bagging, CatBoost y un Perceptrón Multicapa (MLP).
- Optimización: Los hiperparámetros se ajustaron mediante RandomizedSearchCV. Los pesos finales del conjunto se derivaron de los puntajes F1 individuales de los modelos base. Se optimizó un umbral de decisión de 0.52 para equilibrar las tasas de Verdaderos Positivos y Verdaderos Negativos.

Contribuciones Clave

Calibración Sistemática: Un procedimiento que vincula la energía depositada con las características de la radiación incidente en WCD de agua pura, utilizando una definición de corte de $3\sigma$ estadísticamente rigurosa.
Marco de Dos Etapas: Un flujo de trabajo novedoso que combina umbrales de energía físicos/estadísticos para el cribado inicial con el análisis de pulsos por ML para una clasificación detallada.
Evaluación de Conjuntos: Una evaluación cuantitativa de la diversidad de los modelos de conjunto, demostrando que la combinación de modelos con baja intercorrelación (Bagging, CatBoost, MLP) mejora la robustez en el procesamiento de señales de radiación.

Resultados

Calibración: El estudio estableció una relación lineal entre la carga y la energía: $E (MeV) = (4.00 \pm 0.19) \times 10^{-4} E_{qC} (ADU) + 0.26$ . Los puntos de corte para varias configuraciones fueron cuantificados (por ejemplo, 9000 $\pm$ 1300 ADU para señales dominadas por neutrones).
Desempeño de Clasificación: El clasificador de conjunto logró una precisión de 0.816 y un Área Bajo la Curva Característica de Operación del Receptor (AUC) de 0.921 (95% CI: 0.919–0.922).
Descomposición de Campo Mixto: El modelo entrenado se aplicó con éxito a un conjunto de datos independiente ( $^{241}$ AmBe sin blindaje) no visto durante el entrenamiento. Decomponió eficazmente el campo de radiación mixta en los componentes predichos de neutrones y gamma, validando la capacidad del modelo para separar señales en escenarios del mundo real.
Límites Operativos: El clasificador de ML demostró una alta eficacia en la región de energía media (1.5–2.5 MeV) donde el ruido de fondo es bajo. Los autores señalan que el desempeño se degrada a energías más bajas debido a una mayor contaminación por fondo, una limitación reconocida para trabajos futuros.

Significancia y Reivindicaciones
El artículo afirma que esta estrategia integrada mejora significamente las capacidades de identificación de radiación en los WCD, haciéndolos viables para aplicaciones de seguridad nuclear. La significancia reside en su arquitectura híbrida:

Interpretabilidad Física: El umbral estadístico proporciona una base físicamente fundamentada que permite un cribado rápido de emisores gamma de baja energía sin una gran carga computacional.
Discriminación Mejorada: El aprendizaje automático aprovecha la información a nivel de pulso para resolver ambigüedades en campos mixtos de alta energía donde los simples umbrales de energía son insuficientes.
Escalabilidad: El enfoque preserva las ventajas intrínsecas de los detectores basados en agua (seguridad, escalabilidad) mientras mitiga sus limitaciones tradicionales en la discriminación de señales de baja energía.

Los autores enfatizan que el método es específico para la configuración del detector y requiere recalibración si los parámetros del hardware (por ejemplo, la ganancia del PMT) cambian. Concluyen que este marco posiciona a los WCD como instrumentos versátiles tanto para la investigación fundamental como para la radiación aplicada, ofreciendo una alternativa robusta a las tecnologías con restricciones de suministro.

Más como este