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

本論文は、CLYC検出器向けに、高いノイズ耐性とリアルタイムの組み込み展開に適した超低遅延（0.05 ms）を備え、高精度な中性子・ガンマ線パルス形状識別（精度98.7%、品質係数2.2）を実現する、強化された再帰的ゲート付き循環残留スパース線形アテンションネットワークを提案する。

要約

ビッグピクチャー： 「ノイズ」から「シグナル」を仕分けする

あなたは、二種類の声が叫んでいる混雑したパーティーにいると想像してください。叫んでいるのは中性子とガンマ線です。どちらも叫んでいますが、その声は少し異なります。

• 中性子は、低くて重い声で叫び、その声が消えるまでには時間がかかります。
• ガンマ線は、鋭くて素早い声で叫び、パッと止まります。

現実の世界では、背景ノイズ（咳やくしゃみ、音楽の音など）も存在します。この研究の目的は、パーティーが非常に騒がしく混沌としていても、中性子とガンマ線の違いを瞬時に見分けることができる「超高性能なリスナー（聞き手）」を作り上げることです。

研究者たちは、このリスニング作業を行うために、CLYC検出器と呼ばれる特定の種類のセンサーを用いた特別なコンピュータプログラム（ニューラルネットワーク）を構築しました。

旧来の手法の問題点

この新しい手法が登場する前、科学者たちは主に2つの方法でこれらの声を仕分けようとしてきました。

1. 「アナログ」な方法： 単純な機械的な耳を使うようなものです。静かな部屋ではうまく機能しますが、背景ノイズが多すぎると簡単に混乱してしまいます。
2. 「デジタル」な方法： 音を録音して周波数を分析するようなものです。非常に正確ですが、高価で高速な機器（1秒間に10億枚の写真を撮るカメラのようなもの）が必要であり、処理に時間がかかります。

どちらの旧来の手法も、信号が弱い場合やノイズが多い場合に苦戦しました。

新しい解決策： 「スマートな探偵」 (RGLR-SLA)

著者たちは、RGLR-SLAと呼ばれる新しいAIモデルを作成しました。このモデルを、叫び声（パルス）の形を同時に3つの異なる角度から観察する、非常に賢い探偵だと考えてください。

この探偵がどのように機能するかを、3つのトリックに分けて説明します。

1. 三つのレンズを持つカメラ（マルチスケール特徴検出）

海面の波を見ているところを想像してください。

• レンズ1（ズームアップ）： 波の最上部にある小さなさざ波（立ち上がり部分）を見ます。
• レンズ2（中程度のズーム）： 波の本体（中間部分）を見ます。
• レンズ3（広角）： 最初から最後まで、波全体（長い裾の部分）を見ます。

従来のメソッドは通常、一つのレンズでしか見ていませんでした。波が小さければ広角レンズは詳細を見逃し、波が大きければズームアップレンズは迷子になってしまいます。この新しい探偵は、これら3つのレンズを同時に使用するため、信号が小さくても大きくても、あらゆる詳細を確実に捉えることができます。

2. 「ローカル vs グローバル」のチーム（ゲート付き残差融合）

探偵には2人の助手がいます。

• 助手A（ローカル）： 音波の微細で即時的な詳細に集中します。
• 助手B（グローバル）： 音の長い履歴を記憶し、全体像を把握します。

部屋が静かなときは助手Aが完璧です。しかし、部屋が騒がしくなり助手Aが混乱しても、助手Bは依然としてパターンを聞き取ることができます。探偵は**「ゲーティング機構（ゲート付きメカニズム）」（賢い交通信号のようなもの）**を使用して、助手Aにどれだけ注意を払い、助手Bにどれだけ注意を払うかを決定します。騒がしいときはグローバルな助手（B）により多く耳を傾け、クリアなときはローカルな助手（A）により多く耳を傾けます。このチームワークにより、システムはノイズに対して非常に強固になります。

3. 「速読家」（スパース・リニア・アテンション）

通常、長いシーケンスのデータ（長いスピーチなど）を見るAIモデルは、すべての単語を他のすべての単語と比較しようとするため、動作が遅くなります。これは、本の一文字一文字を、本の中の他のすべての文字と比較しながら読むようなもので、永遠に時間がかかってしまいます。

この新しいモデルは、「スパース・リニア・アテンション（疎な線形注意機構）」というトリックを使用しています。本全体を読む代わりに、退屈な部分をスキップし、最も重要な単語だけに集中することを学びます。これにより、この探偵は標準的な「遅い読者」のAIよりも50倍速くなり、スーパーコンピュータを必要とせずにリアルタイムで信号を処理することができます。

結果： この探偵はどれほど優秀か？

研究者たちは、約2万個のパルス（中性子とガンマ線の両方を含む）のデータセットを用いて、この新しい探偵のテストを行いました。その結果は以下の通りです。

• 精度： 正解率 98.7% を記録しました。
• ノイズ耐性： 重い静電気ノイズ（非常に騒がしいパーティーをシミュレートしたもの）を追加した場合でも、探偵は 95.1% の精度を維持しました。旧来の手法は、このような条件下では精度が80%を下回りました。
• 速度： 標準的なグラフィックスカード上で、単一の信号を 0.05ミリ秒 で処理できます。これは、核安全に使用されるようなリアルタイム監視システムで使用できるほど高速です。

結論

この論文は、「三つのレンズ」による視点、スマートな「ローカル/グローバル」チーム、そして「速読」アテンションメカニズムを組み合わせることで、以下の特性を持つシステムを構築したと主張しています。

1. 従来のメソッドよりも高精度であること。
2. ノイズを無視する能力が格段に高いこと。
3. 実世界のリアルタイム安全装置で使用できるほど高速であること。

彼らは、特定の検出器（CLYC）とカスタムメイドの放射線源を用いてこれを実証することに成功し、この新しい「AI探偵」が、核環境を効率的かつ安全に監視し続ける準備ができていることを示しました。

技術概要

技術要約：ゲート付き残差線形アテンションネットワークに基づくCLYC検出器の中性子・ガンマ線パルス形状識別法

問題提起
中性子とガンマ線のパルス識別は、核安全監視および放射線評価における極めて重要な技術である。中性子は高い透過力を持ち、重大な危害をもたらすが、その検出は、データ解析に干渉を引き起こすガンマ線の同時存在によってしばしば困難を極める。アナログ回路ベースのアプローチや、デジタル時間領域技術（電荷比較法、立ち上がり時間法など）を含む従来のパルス形状識別（PSD）手法は、ノイズへの感受性や、低活動の混合放射線場における適用性の限界という課題を抱えている。対照的に、周波数領域の手法は強力なノイズ耐性を提供するが、通常1 GS/sを超えるサンプリングレートを必要とするなど、厳格なハードウェア要件を課す。近年、機械学習やディープラーニングに基づくインテリジェントなアルゴリズムが有望視されているものの、弱いノイズ耐性、特徴抽出能力の限界、および組み込み展開のためのリアルタイム性能の不足といった課題が依然として残っている。

手法
これらの制限に対処するため、著者らはCLYC（Cs2LiYCl6:Ce）検出器実験プラットフォーム上に実装された、高度な**再帰的ゲート付きループ残差疎線形アテンション（RGLR-SLA）**ネットワークを開発した。本手法は、主に以下の3つのアーキテクチャ構成要素で構成される。

1. マルチスケール・ブロック埋め込み： ネットワークは並列畳み込みチャネルを利用して、異なる時間スケールにわたる特徴を抽出する。具体的には、ナノ秒レベルの立ち上がりエッジの詳細、マイクロ秒レベルの減衰率、および10マイクロ秒レベルの全体的な輪郭特徴を捉える。このアプローチにより、従来の単一スケールアルゴリズムの限界を克服し、パルスエネルギー（例：低エネルギーパルスには立ち上がりエッジに、高エネルギーパルスには減衰傾向に焦点を当てる）に基づいて特徴を適応的に重み付けすることが可能となる。
2. 強化されたRGLRモジュール： このコアモジュールは、局所的特徴とグローバルな特徴の相乗的な融合を採用している。深層分離可能畳み込みを用いて局所的な波形詳細を抽出し、双方向ゲート付き回帰ユニット（GRU）を用いて長距離の時間依存性を捉える。学習可能なゲーティング機構がこれらの特徴を適応的に重み付け・融合し、残差接続が勾配消失を抑制する。この設計は、低ノイズ条件下での解像度を維持しつつ、高ノイズ環境下での干渉を抑制することを目的としている。
3. 強化された疎線形アテンション（SLA）： リアルタイム処理の要求を満たすため、ネットワークは標準的な自己アテンション（計算複雑度 $O(n^2)$）を、疎線形アテンションメカニズムに置き換えている。疎化戦略と線形投影を組み合わせることで、計算複雑度を $O(n)$ に低減し、グローバルな特徴をモデル化する能力を損なうことなく、効率を大幅に向上させている。

実験設定およびデータ
本研究では、NG-9 D-D中性子発生器（2.5 MeV中性子を生成）と標準的な $^{137}\text{Cs}$ および $^{60}\text{Co}$ ガンマ線源からなる実験プラットフォームを使用した。CLYC検出器（25 mm × 25 mm 結晶）を光電子増倍管（PMT）および高速データ収集システムと結合し、パルス信号を捕捉した。19,971個の有効サンプル（中性子8,974個、ガンマ線10,977個）からなるデータセットは、ノイズ抑制、振幅正規化、および品質検証（SNR $\ge$ 30 dBの確保）を経て前処理された。データは、訓練（75%）、検証（15%）、テスト（10%）の各セットに層別化された。

主な結果
提案されたRGLR-SLAネットワークは、従来のメソッド（電荷比較、立ち上がり時間、周波数勾配）およびベンチマークとなるディープラーニングモデル（CNN+LSTM+Transformer）と比較して、複数の指標において優れた性能を示した。

• 分類性能： 本モデルは、性能指数（FoM）2.2、分類精度98.7%、適合率96.4%、再現率99.4%、および**F1スコア97.9%**を達成した。
• ノイズ耐性： 低信号対雑音比（20 dB）の条件下において、モデルは**95.1%**の精度を維持し、同様の条件下で80%を下回った従来手法を大幅に上回った。
• 計算効率： モデルは約280万個のパラメータで構成されている。NVIDIA RTX 4070 GPU上でのパルスあたりの処理時間は0.05 ms、Intel Core i7-12800HX CPU上では0.3 msである。このスループットは、リアルタイム監視および組み込み展開の要件を満たしている。

意義および主張
本論文は、RGLR-SLAネットワークが、中性子・ガンマ線混合放射線場における高精度、堅牢、かつリアルタイムなパルス形状識別のための実現可能な技術的ソリューションを提供すると主張している。著者らは、以下の点を通じて、精度と効率のバランスを成功裏に取ったと断言している。

1. 従来の単一スケール手法が見落とす、パルスのマルチスケールな物理特性を捕捉すること。
2. 局所的およびグローバルな特徴の適応的な融合を実現し、ノイズ耐性を高めること。
3. 疎線形アテンションを通じて計算複雑度を低減し、性能を犠牲にすることなく、リソース制約のあるハードウェアへの展開を可能にすること。

本研究は、提案手法が識別品質とリアルタイム性能の両面において既存のアルゴリズムを大幅に凌駕しており、高度な核安全監視システムへの実行可能な道筋を提供すると結論付けている。