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

Cet article propose un réseau d'attention linéaire à résidus creux et cyclique à porte récursive amélioré pour les détecteurs CLYC qui atteint une discrimination de forme d'impulsion neutron-gamma de haute précision (98,7 % de précision, facteur de qualité de 2,2) avec une résistance robuste au bruit et une latence ultra-faible (0,05 ms) adaptée au déploiement embarqué en temps réel.

L'essentiel

La vue d'ensemble : Trier le « bruit » du « signal »

Imaginez que vous êtes à une fête bondée où deux types de personnes crient : les neutrons et les rayons gamma. Les deux crient, mais leurs voix sont légèrement différentes.

• Les neutrons crient avec une voix lente et grave qui met du temps à s'estomper.
• Les rayons gamma crient avec une voix aiguë et rapide qui s'arrête brusquement.

Dans le monde réel, il y a aussi un bruit de fond (comme des gens qui toussent ou de la musique qui joue). L'objectif de cette recherche est de construire un « super-auditeur » capable de distinguer instantanément la différence entre le neutron et le rayon gamma, même lorsque la fête est très bruyante et chaotique.

Les chercheurs ont conçu un programme informatique spécial (un réseau de neurones) pour effectuer ce travail d'écoute en utilisant un type de capteur spécifique appelé détecteur CLYC.

Le problème des anciennes méthodes

Avant cette nouvelle méthode, les scientifiques essayaient de trier ces voix en utilisant deux méthodes principales :

1. La voie « analogique » : Comme l'utilisation d'une oreille mécanique simple. Cela fonctionne assez bien dans une pièce calme, mais cela se laisse facilement confondre s'il y a trop de bruit de fond.
2. La voie « numérique » : Comme l'enregistrement du son et l'analyse de sa fréquence. C'est très précis, mais cela nécessite un équipement coûteux et ultra-rapide (comme une caméra qui prend un milliard de photos par seconde) et c'est lent à traiter.

Les deux anciennes méthodes avaient du mal lorsque le signal était faible ou que le bruit était élevé.

La nouvelle solution : Le « Détective Intelligent » (RGLR-SLA)

Les auteurs ont créé un nouveau modèle d'IA appelé RGLR-SLA. Considérez ce modèle comme un détective super intelligent qui examine la forme du cri (l'impulsion) sous trois angles différents en même s'.

Voici comment le détective fonctionne, divisé en trois astuces :

1. La caméra à trois objectifs (Détection de caractéristiques multi-échelles)

Imaginez regarder une vague dans l'océan.

• Objectif 1 (Zoom rapproché) : Regarde les minuscules rides sur le sommet de la vague (le front montant).
• Objectif 2 (Zoom moyen) : Regarde le corps principal de la vague (la partie centrale).
• Objectif 3 (Grand angle) : Regarde toute la vague du début à la fin (la longue traîne).

Les anciennes méthodes ne regardaient généralement qu'à travers un seul objectif. Si la vague était petite, l'objectif grand angle manquait les détails. Si la vague était énorme, l'objectif zoomé se perdait. Ce nouveau détective utilise les trois objectifs en même temps, garantissant qu'il capture chaque détail, que le signal soit minuscule ou gigantesque.

2. L'équipe « Local vs Global » (Fusion résiduelle à porte)

Le détective a deux assistants :

• L'assistant A (Local) : Se concentre sur les détails minuscules et immédiats de l'onde sonore.
• L'assistant B (Global) : Se souvient de l'historique long du son pour voir l'image globale.

Parfois, la pièce est calme, et l'assistant A est parfait. Parfois, la pièce est bruyante, et l'assistant A est confus, mais l'assistant B peut toujours entendre le motif. Le détective utilise un « mécanisme de porte » (comme un feu de signalisation intelligent) pour décider à quel point il doit écouter l'assistant A et à quel point il doit écouter l'assistant B. S'il y a du bruit, il écoute davantage l'assistant Global. Si c'est clair, il écoute davantage l'assistant Local. Ce travail d'équipe rend le système très résistant au bruit.

3. Le « Lecteur Rapide » (Attention linéaire parcimonieuse)

Habituellement, les modèles d'IA qui examinent de longues séquences de données (comme un long discours) deviennent lents car ils essaient de comparer chaque mot à tous les autres mots. C'est comme essayer de lire un livre en vérifiant chaque lettre par rapport à toutes les autres lettres du livre : cela prend un temps infini.

Ce nouveau modèle utilise une astuce d'« attention linéaire parcimonieuse ». Au lieu de lire tout le livre, il apprend à sauter les parties ennuyeuses et à ne se concentrer que sur les mots les plus importants. Cela rend le détective 50 fois plus rapide que l'IA standard du « lecteur lent », permettant de traiter les signaux en temps réel sans avoir besoin d'un supercalculateur.

Les résultats : À quel point le détective est-il bon ?

Les chercheurs ont testé ce nouveau détective sur un ensemble de données de près de 20 000 impulsions (certaines provenant de neutrons, d'autres de rayons gamma). Voici ses performances :

• Précision : Il a donné la bonne réponse 98,7 % du temps.
• Résistance au bruit : Même en ajoutant un bruit statique intense (simulant une fête très bruyante), le détective a toujours donné la bonne réponse 95,1 % du temps. Les anciennes méthodes sont tombées en dessous de 80 % de précision dans ces conditions.
• Vitesse : Il peut traiter un signal en 0,05 milliseconde sur une carte graphique standard. C'est assez rapide pour être utilisé dans des systèmes de surveillance en temps réel, comme ceux utilisés pour la sécurité nucléaire.

L'essentiel à retenir

L'article affirme qu'en combinant une vue à « trois objectifs », une équipe intelligente « local/global » et un mécanisme d'attention de « lecture rapide », ils ont construit un système qui est :

1. Plus précis que les méthodes traditionnelles.
2. Bien meilleur pour ignorer le bruit.
3. Assez rapide pour être utilisé dans des équipements de sécurité réels et en temps réel.

Ils ont prouvé avec succès cela en utilisant un détecteur spécifique (CLYC) et une source de rayonnement construite sur mesure, montrant que ce nouvel « enquêteur IA » est prêt à aider à surveiller les environnements nucléaires de manière sûre et efficace.

Résumé technique

Résumé Technique : Une méthode de discrimination de forme d'impulsion neutron-gamma pour un détecteur CLYC basée sur un réseau d'attention linéaire résiduelle à porte (Gated Residual-Linear Attention Network)

Énoncé du problème
La discrimination des impulsions de neutrons et de rayons gamma est une technologie critique pour la surveillance de la sécurité nucléaire et l'évaluation des radiations. Bien que les neutrons possèdent un fort pouvoir de pénétration et posent des dangers importants, leur détection est fréquemment compliquée par la présence simultanée de rayons gamma, qui introduisent des interférences dans l'analyse des données. Les méthodes traditionnelles de discrimination de forme d'impulsion (PSD), incluant les approches basées sur des circuits analogiques et les techniques numériques temporelles (par exemple, comparaison de charge, temps de montée), souffrent souvent d'une sensibilité au bruit et d'une applicabilité limitée dans les champs de radiations mixtes à faible activité. À l'inverse, les méthodes dans le domaine fréquentiel offrent une forte immunité au bruit mais imposent des exigences matérielles strictes, nécessitant généralement des taux d'échantillonnage supérieurs à 1 GS/s. Bien que des algorithmes intelligents récents basés sur l'apprentissage automatique et l'apprentissage profond soient prometteurs, des défis subsistent concernant la faible résistance au bruit, les capacités limitées d'extraction de caractéristiques et l'insuffisance des performances en temps réel pour un déploiement embarqué.

Méthodologie
Pour répondre à ces limitations, les auteurs ont développé un réseau amélioré de type Recursive Gated Loop Residual-Sparse Linear Attention (RGLR-SLA), implémenté sur une plateforme expérimentale de détecteur CLYC (Cs2LiYCl6:Ce). La méthodologie comprend trois composants architecturaux principaux :

1. Plongement de blocs multi-échelles (Multi-Scale Block Embedding) : Le réseau utilise des canaux convolutionnels parallèles pour extraire des caractéristiques à différentes échelles temporelles. Plus précisément, il capture les détails de la pente de montée à l'échelle de la nanoseconde, les taux de décroissance à l'échelle de la microseconde et les caractéristiques de contour global à l'échelle de 10 microsecondes. Cette approche surmonte les limitations des algorithmes traditionnels à échelle unique, permettant au modèle de pondérer de manière adaptative les caractéristiques selon l'énergie de l'impulsion (par exemple, en se concentrant sur les pentes de montée pour les impulsions de faible énergie et sur les tendances de décroissance pour les impulsions de haute énergie).
2. Module RGLR amélioré : Ce module central emploie une fusion synergique de caractéristiques locales et globales. Il utilise des convolutions séparables profondes pour extraire les détails locaux de la forme d'onde et des unités récurrentes à porte bidirectionnelles (GRUs) pour capturer les dépendances temporelles à longue portée. Un mécanisme de porte apprenable fusionne et pondère de manière adaptative ces caractéristiques, tandis que les connexions résiduelles atténuent la disparition du gradient. Cette conception vise à supprimer les interférences dans les environnements à haut bruit tout en maintenant la résolution dans les conditions à faible bruit.
3. Attention Linéaire Creuse (SLA) améliorée : Pour répondre aux exigences de traitement en temps réel, le réseau remplace l'auto-attention standard (complexité O(n²)) par un mécanisme d'attention linéaire creuse. En combinant des stratégies de sparsification avec une projection linéaire, la complexité computationnelle est réduite à O(n), améliorant considérablement l'efficacité sans sacrifier la capacité à modéliser les caractéristiques globales.

Configuration Expérimentale et Données
L'étude a utilisé une plateforme expérimentale comprenant un générateur de neutrons NG-9 D-D (produisant des neutrons de 2,5 MeV) et des sources gamma standards de 137Cs et 60Co. Un détecteur CLYC (cristal de 25 mm × 25 mm) couplé à un tube photomultiplicateur (PMT) et un système d'acquisition de données à haute vitesse a été utilisé pour capturer les signaux d'impulsion. Un ensemble de données de 19 971 échantillons valides (8 974 neutrons et 10 977 gammas) a été pré-traité par suppression du bruit, normalisation de l'amplitude et vérification de la qualité (garantissant un SNR ≥ 30 dB). Les données ont été stratifiées en ensembles d'entraînement (75 %), de validation (15 %) et de test (10 %).

Résultats Clés
Le réseau RGLR-SLA a démontré une performance supérieure à travers plusieurs métriques par rapport aux méthodes traditionnelles (comparaison de charge, temps de montée, gradient de fréquence) et aux modèles de référence d'apprentissage profond (CNN+LSTM+Transformer) :

• Performance de Classification : Le modèle a atteint une figure de mérite (FoM) de 2,2, une précision de classification de 98,7 %, une précision (precision) de 96,4 %, un rappel (recall) de 99,4 % et un score F1 de 97,9 %.
• Robustesse au Bruit : Dans des conditions de faible rapport signal sur bruit (20 dB), le modèle a maintenu une précision de 95,1 %, surpassant de manière significative les méthodes traditionnelles qui tombent en dessous de 80 % dans des conditions similaires.
• Efficacité Computationnelle : Le modèle contient environ 2,8 millions de paramètres. Sur un GPU NVIDIA RTX 4070, le temps de traitement par impulsion est de 0,05 ms ; sur un CPU Intel Core i7-12800HX, il est de 0,3 ms. Ce débit satisfait les exigences de la surveillance en temps réel et du déploiement embarqué.

Signification et Revendications
L'article affirme que le réseau RGLR-SLA fournit une solution technique réalisable pour une discrimination de forme d'impulsion de haute précision, robuste et en temps réel dans les champs de radiations mixtes neutron-gamma. Les auteurs soutiennent que leur approche parvient à équilibrer précision et efficacité en :

1. Capturant les caractéristiques physiques multi-échelles des impulsions que les méthodes traditionnelles à échelle unique ignorent.
2. Réalisant une fusion adaptative des caractéristiques locales et globales pour renforcer l'immunité au bruit.
3. Réduisant la complexité computationnelle grâce à l'attention linéaire creuse, permettant le déploiement sur du matériel aux ressources limitées sans sacrifier la performance.

L'étude conclut que la méthode proposée surpasse significativement les algorithmes existants tant en termes de qualité de discrimination que de capacité de traitement en temps réel, offrant une voie viable pour les systèmes avancés de surveillance de la sécurité nucléaire.