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

본 논문은 실시간 임베디드 배포에 적합한 견고한 노이즈 저항성과 초저지연성(0.05 ms)을 갖추어, CLYC 검출기를 위한 고정밀 중성자-감마 펄스 파형 식별(정확도 98.7%, 품질 계수 2.2)을 달성하는 향상된 재귀적 게이트 순환 잔차 희소 선형 어텐션 네트워크를 제안한다.

핵심

큰 그림: "노이즈"에서 "시그널"을 걸러내기

당신이 시끌벅적한 파티장에 있다고 상상해 보세요. 그곳에서는 두 종류의 사람들이 소리를 지르고 있습니다: 바로 **중성자(Neutrons)**와 **감마선(Gamma rays)**입니다. 둘 다 소리를 지르고 있지만, 목소리는 약간 다릅니다.

• 중성자는 느리고 묵직한 목소리로 소리를 지르며, 그 소리가 사라지는 데 시간이 좀 걸립니다.
• 감마선은 날카롭고 빠른 목소리로 소리를 지르며, 갑자기 딱 끊깁니다.

실제 세상에는 배경 소음(사람들이 기침을 하거나 음악이 연주되는 소리 등)도 존재합니다. 이 연구의 목표는 파티장이 매우 시끄럽고 혼란스러운 상황에서도 중성자와 감마선의 차이를 즉각적으로 구별해낼 수 있는 "슈퍼 리스너(super-listener)"를 만드는 것입니다.

연구진은 이 듣기 작업을 수행하기 위해 CLYC 검출기라는 특정 유형의 센서를 사용하는 특별한 컴퓨터 프로그램(신경망)을 구축했습니다.

기존 방식의 문제점

이 새로운 방법이 나오기 전, 과학자들은 크게 두 가지 방식으로 이 목소리들을 분류하려고 시도했습니다:

1. "아날로그" 방식: 단순한 기계적 귀를 사용하는 것과 같습니다. 조용한 방에서는 잘 작동하지만, 배경 소음이 너무 많아지면 쉽게 혼란에 빠집니다.
2. "디지털" 방식: 소리를 녹음하여 주파수를 분석하는 것과 같습니다. 매우 정확하지만, 비싸고 고속인 장비(초당 수십억 장의 사진을 찍는 카메라 같은 것)가 필요하며 처리 속도가 느립니다.

두 방식 모두 신호가 약하거나 노이즈가 높을 때 어려움을 겪었습니다.

새로운 솔루션: "스마트한 탐정" (RGLR-SLA)

저자들은 RGLR-SLA라는 새로운 AI 모델을 만들었습니다. 이 모델을 세 가지 각도에서 동시에 소리의 형태(펄스)를 관찰하는 초스마트 탐정이라고 생각해 보세요.

이 탐정이 작동하는 방식은 세 가지 기술로 나뉩과 다음과 같습니다:

1. 세 개의 렌즈를 가진 카메라 (다중 스케일 특징 탐지)

바다의 파도를 바라보고 있다고 상상해 보세요.

• 렌즈 1 (확대 모드): 파도의 맨 윗부분에 있는 아주 작은 잔물결(상승 에지)을 봅니다.
• 렌즈 2 (중간 줌): 파도의 몸통 부분(중간 부분)을 봅니다.
• 렌스 3 (광각 모드): 시작부터 끝까지 전체 파도(긴 꼬리)를 봅니다.

기존 방식들은 보통 하나의 렌즈로만 보았습니다. 파도가 작으면 광각 렌즈가 세부 사항을 놓쳤고, 파도가 거대하면 확대 렌즈가 길을 잃었습니다. 이 새로운 탐정은 세 개의 렌즈를 동시에 사용하여, 신호가 아주 작든 아주 크든 모든 세부 사항을 포착해 냅니다.

2. "로컬 vs 글로벌" 팀 (게이트형 잔차 융합)

탐정에게는 두 명의 조수가 있습니다:

• 조수 A (로컬): 소리 파동의 아주 작고 즉각적인 세부 사항에 집중합니다.
• 조수 B (글로벌): 소리의 긴 역사를 기억하여 전체적인 큰 그림을 봅니다.

때로는 방이 조용해서 조수 A가 완벽하게 역할을 수행합니다. 때로는 방이 시끄러워서 조수 A가 혼란을 겪지만, 조수 B는 여전히 패턴을 파악할 수 있습니다. 탐정은 "게이팅 메커니즘(Gating Mechanism)"(마치 스마트한 교통 신호등 같은 역할)을 사용하여 조수 A에게 얼마나 귀를 기울일지, 조수 B에게 얼마나 귀를 기울일지를 결정합니다. 소음이 심하면 글로벌 조수에게 더 많이 의지하고, 상황이 깨끗하면 로컬 조수에게 더 많이 의지합니다. 이러한 팀워크는 시스템을 노이즈에 매우 강하게 만듭니다.

3. "속독가" (희소 선형 어텐션)

보통 긴 데이터 시퀀스(예: 긴 연설)를 살펴보는 AI 모델은 모든 단어를 서로 비교하려고 하기 때문에 속도가 느려집니다. 이는 책의 모든 글자를 다른 모든 글자와 일일이 대조하며 읽는 것과 같아서 시간이 엄청나게 오래 걸립니다.

이 새로운 모델은 "희소 선형 어텐션(Sparse Linear Attention)" 기술을 사용합니다. 책 전체를 읽는 대신, 지루한 부분은 건너뛰고 가장 중요한 단어들에만 집중하는 법을 배웁니다. 이 덕분에 탐정은 표준적인 "느린 독자" AI보다 50배 더 빠르며, 슈퍼컴퓨터 없이도 실시간으로 신호를 처리할 수 있습니다.

결과: 이 탐정은 얼마나 뛰어난가?

연구진은 약 20,000개의 펄스(중성자 일부, 감마선 일부)로 구성된 데이터셋을 통해 이 새로운 탐정을 테스트했습니다. 결과는 다음과 같습니다:

• 정확도: 정답을 맞힐 확률이 **98.7%**에 달했습니다.
• 노이즈 저항력: 심한 정적 노이즈(매우 시끄러운 파티 상황을 시뮬레이션함)를 추가했을 때도, 탐정은 여전히 **95.1%**의 정확도를 유지했습니다. 기존 방식들은 이런 조건에서 정확도가 80% 미만으로 떨어졌습니다.
• 속도: 표준 그래픽 카드에서 단일 신호를 0.05 밀리초(ms) 만에 처리할 수 있습니다. 이는 핵 안전을 위해 사용되는 시스템처럼 실시간 모니터링 시스템에 사용되기에 충분한 속도입니다.

결론

이 논문은 "세 개의 렌즈"를 통한 시야, 스마트한 "로컬/글로벌" 팀, 그리고 "속독" 어텐션 메커니즘을 결격함으로써, 다음과 같은 시스템을 구축했다고 주장합니다:

1. 전통적인 방식보다 더 정확하며,
2. 노이즈를 훨씬 더 잘 무시하고,
3. 실제 환경의 실시간 안전 장비에 사용될 수 있을 만큼 충분히 빠릅니다.

그들은 특정 검출기(CLYC)와 직접 제작한 방사선원을 사용하여 이를 성공적으로 입증했으며, 이 새로운 "AI 탐정"이 핵 환경을 효율적이고 안전하게 모니터링하고 관리하는 데 준비되어 있음을 보여주었습니다.

기술 요약

기술 요약: 게이트형 잔차-선형 어텐션 네트워크 기반 CLYC 검출기의 중성자-감마선 펄스 형태 식별 방법

문제 제기
중성자와 감마선 펄스의 식별은 핵 안전 모니터링 및 방사선 평가를 위한 핵심 기술이다. 중성자는 높은 투과력을 지니며 상당한 위험을 초래하지만, 이를 검출하는 과정은 데이터 분석에 간섭을 일으키는 감마선의 동시 존재로 인해 빈번히 복잡해진다. 차지 비교(charge comparison), 라이즈 타임(rise-time) 등의 디지털 시간 영역 기법을 포함한 전통적인 펄스 형태 식별(PSD) 방법들은 노이즈에 대한 민감도와 저활동 혼합 방사선 영역에서의 제한된 적용성으로 인해 어려움을 겪는 경우가 많다. 반면, 주파수 영역 방법은 강력한 노이즈 면역력을 제공하지만, 일반적으로 1 GS/s를 초과하는 샘플링 속도를 필요로 하는 엄격한 하드웨어 요구 사항을 부과한다. 최근 머신러닝 및 딥러닝에 기반한 지능형 알고리즘들이 유망한 결과를 보여주고 있으나, 약한 노이즈 저항성, 제한된 특징 추출 능력, 그리고 임베디드 배포를 위한 불충분한 실시간 성능과 같은 과제들이 여전히 남아 있다.

방법론
이러한 한계를 해결하기 위해, 저자들은 CLYC(Cs2LiYCl6:Ce) 검출기 실험 플랫폼에 구현된 향상된 재귀적 게이트 루프 잔차-희소 선형 어텐션(RGLR-SLA) 네트워크를 개발하였다. 이 방법론은 세 가지 주요 아키텍처 구성 요소로 이루어진다:

1. 다중 스케일 블록 임베딩(Multi-Scale Block Embedding): 네트워크는 서로 다른 시간 척도에 걸쳐 특징을 추출하기 위해 병렬 컨볼루션 채널을 활용한다. 구체적으로, 나노초 단위의 상승 엣지(rising edge) 세부 사항, 마이크로초 단위의 감쇄율(decay rates), 그리고 10마이크로초 단위의 전체 윤곽 특징을 포착한다. 이 접근 방식은 전통적인 알고리즘의 단일 스케일 한계를 극복하여, 모델이 펄스 에너지에 따라 특징의 가중치를 적응적으로 조절할 수 있게 한다(예: 저에너지 펄스에는 상승 엣지에 집중하고, 고에너지 펄스에는 감쇄 경향에 집중함).
2. 향상된 RGLR 모듈: 이 핵심 모듈은 국부적 특징과 전역적 특징의 시너지 결합을 채택한다. 국부적인 파형 세부 사항을 추출하기 위해 심층 분리 컨볼루션(deep separable convolutions)을 사용하고, 장거리 시간 의존성을 포착하기 위해 양방향 게이트 순환 유닛(GRUs)을 사용한다. 학습 가능한 게이팅 메커니즘은 이러한 특징들을 적응적으로 가중치 부여하고 융합하며, 잔차 연결(residual connections)은 기울기 소실 문제를 완화한다. 이 설계는 저노이즈 조건에서의 해상도를 유지하면서 고노이즈 환경에서의 간섭을 억제하는 것을 목표로 한다.
3. 향상된 희소 선형 어텐션(Enhanced Sparse Linear Attention, SLA): 실시간 처리 요구 사항을 충족하기 위해, 네트워크는 표준 셀프 어텐션($O(n^2)$ 복잡도)을 희소 선형 어텐션 메커니즘으로 대체한다. 희소화 전략과 선형 투영을 결합함으로써 계산 복잡도를 $O(n)$으로 줄여, 전역적 특징을 모델링하는 능력을 희생하지 않으면서도 효율성을 크게 향상시킨다.

실험 설정 및 데이터
본 연구는 NG-9 D-D 중성자 발생기(2.5 MeV 중성자 생성)와 표준 $^{137}\text{Cs}$ 및 $^{60}\text{Co}$ 감마 선원을 포함하는 실험 플랫폼을 활용하였다. 펄스 신호를 포착하기 위해 광전증배관(PMT) 및 고속 데이터 획득 시스템과 결합된 CLYC 검출기(25 mm × 25 mm 결정)가 사용되었다. 19,971개의 유효 샘플(중성자 8,974개 및 감마선 10,977개)로 구성된 데이터셋은 노이즈 억제, 진폭 정규화 및 품질 검증(SNR $\ge$ 30 dB 보장)을 거쳐 전처리되었다. 데이터는 훈련(75%), 검증(15%), 테스트(10%) 세트로 계층화되었다.

주요 결과
제안된 RGLR-SLA 네트워크는 전통적인 방법(차지 비교, 라이즈 타임, 주파수 기울기) 및 벤치마크 딥러닝 모델(CNN+LSTM+Transformer)과 비교하여 여러 지표에서 우수한 성능을 입증하였다:

• 분류 성능: 모델은 품질 지수(FoM) 2.2, 정확도 98.7%, 정밀도 96.4%, 재현율 99.4%, 그리고 **F1 점수 97.9%**를 달성하였다.
• 노이즈 강건성: 낮은 신호 대 잡음비(20 dB) 조건에서도 모델은 **95.1%**의 정확도를 유지하였으며, 이는 유사한 조건에서 80% 미만으로 떨어진 전통적 방법들을 크게 상회하는 수치이다.
• 계산 효율성: 모델은 약 280만 개의 파라미터를 포함한다. NVIDIA RTX 4070 GPU에서 펄스당 처리 시간은 0.05 ms이며, Intel Core i7-12800HX CPU에서는 0.3 ms이다. 이러한 처리량은 실시간 모니터링 및 임베디드 배포 요구 사항을 충족한다.

의의 및 주장
본 논문은 RGLR-SLA 네트워크가 중성자-감마 혼합 방사선 영역에서 고정밀, 견고성 및 실시간성을 갖춘 펄스 형태 식별을 위한 실행 가능한 기술적 솔루션을 제공한다고 주장한다. 저자들은 다음과 같이 정확도와 효율성의 균형을 성공적으로 맞추었다고 단언한다:

1. 전통적인 단일 스케일 방법이 놓치는 펄스의 다중 스케일 물리적 특성을 포착한다.
2. 국부적 및 전역적 특징의 적응적 융합을 달려 노이즈 면역력을 강화한다.
3. 희소 선형 어텐션을 통해 계산 복잡도를 줄임으로써, 성능 저하 없이 자원이 제한된 하드웨어에 배포가 가능하도록 한다.

연구는 제안된 방법이 식별 품질과 실시간 능력 모두에서 기존 알고리즘을 유의미하게 능가하며, 고급 핵 안전 모니터링 시스템을 위한 실행 가능한 경로를 제공한다고 결론짓는다.