Gamma Neutron Radioactive Source Identification in Water Cherenkov Detectors

기술 요약: 워터 체렌코프 검출기 내 감마 중성자 방사성 선원 식별

문제 정의
워터 체렌코프 검출기(WCD)는 천체 물리학 및 고에너지 물리학 분야에서 확립된 기술이지만, 혼합 중성자-감마 방사선장을 구별해야 하는 핵 보안 응용 분야에서도 점점 더 주목받고 있다. 전통적인 중성자 검출은 종종 $^3$He 비례 계수기에 의존해 왔으나, 이는 전 세계적인 공급 제약 문제에 직면해 있다. WCD는 확장성과 화학적 안전성을 제공하지만, 운영 보안 시나리오에서 감마선과 중성자를 구별할 수 있는 내재적이고 견고한 방법을 결여하고 있다. 본 연구에서 다루는 주요 과제는 다음과 같다: (1) 거친 입자 유형 구별을 수행하기 위한 신뢰할 수 있는 에너지 퇴적 임계값 설정, (2) 모든 측정마다 외부 차폐를 사용하지 않고도 혼합 방사선장을 식별할 수 있는 견고한 펄스 수준 분류 방법 개발.

방법론
저자들은 통계적 스펙트럼 분석과 머신러닝(ML) 펄스 분류를 통합하는 2단계 구별 프레임워크를 제안한다.

1. 실험 설정: 실험은 9인치 광전증배관(PMT)과 Red Pitaya FPGA 기반 데이터 획득 시스템(125 MS/s 샘플링)을 갖춘 1.0 m$^3$ 원통형 WCD를 사용하여 수행되었다. 검출기는 중성자 감속제 및 체렌코프 복사체로서 순수한 물을 사용하였다.
2. 선원 및 차폐: 세 가지 방사성 선원이 사용되었다: $^{60}$Co 및 $^{137}$Cs (순수 감마 방출체)와 $^{241}$AmBe (혼합 중성자-감마 방출체). 특정 방사선 성분을 격리하기 위해 다양한 차폐 구성이 사용되었다:
   • 납 (10 cm): 감마선을 감쇄시켜 중성자 지배적 신호를 격리한다 (여기서 검출된 스펙트럼은 주로 물에서의 중성자 포획에 의한 2.22 MeV 감마선에 의해 구동된다).
   • 붕소 함유 파라핀 + 카드뮴: 중성자를 감속 및 흡수하여 4.44 MeV 감마 성분을 격리한다.
   • 납 + 순수 파라핀: 결합된 효과를 연구하기 위한 혼합 구성이다.
3. 1단계: 통계적 에너지 임계값 설정:
   • 저자들은 전하 스펙트럼(ADU 단위로 측정)에서 선원 스펙트럼이 배경 방사선과 통계적으로 구별할 수 없는 지점인 "차단점(Cutoff Point, CP)"을 정의하였다.
   • 이는 포아송 통계에 기반한 $3\sigma$ 유의성 기준을 사용하여 결정되었다: $|N_{src} - N_{bkg}| < 3\sqrt{N_{src} + N_{bkg}}$.
   • 측정된 전하(ADU)와 퇴적 에너지(MeV) 사이의 선형 보정(linear calibration)은 알려진 교정 선원들과 전자의 체렌코프 임계값(0.262 MeV)을 사용하여 확립되었다.
   • 이 단계는 "신호등" 시스템 역할을 한다: 중성자 임계값보다 낮은 곳에서 차단점이 나타나는 스펙트럼은 순수 감마 선원을 나타내며, 임계값에 도달하거나 그 이상인 경우 잠재적인 중성자 존재를 시사한다.
4. 2단계: 머신러닝 펄스 분류:
   • 통계적 임계값을 초과하는 선원에 대해, 펄스 형태에 대한 지도 학습 기반 ML 접근 방식이 적용되었다.
   • 데이터 전처리: 신호 대 잡음비를 극대화하기 위해 특정 전하 범위(4500–8000 ADU)가 선택되었다. 펄스는 32개의 시간 빈(temporal bins)으로 표현되었다. 훈련 데이터셋의 균형을 맞추기 위해(중성자 대 감마 비율 1:1) 무작위 언더샘플링(Random Under Sampling, RUS)이 사용되었다.
   • 앙상블 모델: Bagging Classifier, CatBoost, 그리고 다층 퍼셉트론(MLP)이라는 세 가지 기본 모델을 사용하는 소프트 보팅(soft-voting) 앙상블 분류기가 구축되었다.
   • 최적화: 하이퍼파라미터는 RandomizedSearchCV를 통해 튜닝되었다. 최종 앙상비 가중치는 개별 모델의 F1-score를 통해 도출되었다. 참 양성(True Positive)과 참 음성(True Negative) 비율의 균형을 맞추기 위해 0.52의 결정 임계값이 최적화되었다.

주요 기여

• 체계적 보정: 순수 물 WCD에서 입사 방사선 특성과 퇴적 에너지를 연결하는 절차를 확립하였으며, 통계적으로 엄격한 $3\sigma$ 차단 정의를 활용하였다.
• 2단계 프레임워크: 초기 스크리닝을 위한 물리적/통계적 에너지 임계값과 상세 분류를 위한 ML 기반 펄스 분석을 결합한 새로운 워크플로우를 제시하였다.
• 앙상블 평가: 상호 상관관계가 낮은 모델들(Bagging, CatBoost, MLP)을 결합함으로써 방사선 신호 처리의 견고함을 향상시킨다는 것을 보여줌으로써 앙상블 모델 다양성에 대한 정량적 평가를 수행하였다.

결과

• 보정: 연구는 전하와 에너지 사이의 선형 관계를 확립하였다: $E (MeV) = (4.00 \pm 0.19) \times 10^{-4} E_{qC} (ADU) + 0.26$. 다양한 구성에 대한 차단점이 정량화되었다 (예: 중성자 지배적 신호의 경우 9000 $\pm$ 1300 ADU).
• 분류 성능: 앙상블 분류기는 0.816의 정확도와 0.921(95% CI: 0.919–0.922)의 ROC 곡선 아래 면적(AUC)을 달려냈다.
• 혼합장 분해: 훈련 과정에서 보지 못한 독립적인 데이터셋(차폐되지 않은 $^{241}$AmBe)에 훈련된 모델이 성공적으로 적용되었다. 이 모델은 혼합 방사선장을 예측된 중성자와 감마 성분으로 효과적으로 분해하여, 실제 시나리오에서 신호를 분리하는 모델의 능력을 검증하였다.
• 운영 한계: ML 분류기는 배경 잡음이 낮은 중간 에너지 영역(1.5–2.5 MeV)에서 높은 효능을 보였다. 저자들은 배경 오염이 높은 낮은 에너지 영역에서는 성능이 저하된다는 점을 언급하였으며, 이는 향후 과제로 남겨둔 한계점으로 인정되었다.

의의 및 주장
본 논문은 이러한 통합 전략이 WCD의 방사선 식별 능력을 크게 향와시켜 핵 보안 응용 분야에 적합하게 만든다고 주장한다. 이 연구의 의의는 다음과 같은 하이브리드 구조에 있다:

1. 물리적 해석 가능성: 통계적 임계값 설정은 물리적 근거를 제공하여 과도한 계산 부하 없이 저에너지 감마 방출선을 빠르게 스크리닝할 수 있게 한다.
2. 향상된 구별 능력: 머신러닝은 단순한 에너지 임계값만으로는 불충분한 고에너지 혼합장에서 모호함을 해결하기 위해 펄스 수준의 정보를 활용한다.
3. 확장성: 이 접근 방식은 물 기반 검출기의 고유한 장점(안전성, 확장성)을 유지하면서, 저에너지 신호 구별이라는 기존의 한계를 완화한다.

저자들은 이 방법이 검출기 구성에 특화되어 있으며, 하드웨어 파라미터(예: PMT 이득)가 변경될 경우 재보정이 필요하다고 강조한다. 결론적으로, 이 프레임워크는 WCD를 기초 연구와 응용 방사선 검출 모두에 활용 가능한 다재다능한 도구로 자리매김하게 하며, 공급이 제한된 기술들에 대한 견고한 대안을 제공한다.