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

Este artigo propõe uma rede de atenção linear esparsa residual cíclica de portão recursivo aprimorada para detectores CLYC que alcança uma discriminação de forma de pulso nêutron-gama de alta precisão (98,7% de acurácia, fator de qualidade de 2,2) com resistência robusta ao ruído e latência ultrabaixa (0,05 ms) adequada para implantação em tempo real embarcada.

O essencial

A Visão Geral: Separando o "Ruído" do "Sinal"

Imagine que você está em uma festa lotada onde dois tipos de pessoas estão gritando: Nêutrons e Raios Gama. Ambos estão gritando, mas têm vozes ligeiramente diferentes.

• Nêutrons gritam com uma voz lenta e pesada, que demora um pouco para desaparecer.
• Raios Gama gritam com uma voz aguda e rápida que para abruptamente.

No mundo real, também existe o ruído de fundo (como pessoas tossindo ou música tocando). O objetivo desta pesquisa é construir um "superouvinte" que possa distinguir instantaneamente a diferença entre o Nêutron e o Raio Gama, mesmo quando a festa estiver muito barulhenta e caótica.

Os pesquisadores construíram um programa de computador especial (uma rede neural) para realizar este trabalho de audição usando um tipo específico de sensor chamado detector CLYC.

O Problema com os Métodos Antigos

Antes deste novo método, os cientistas tentavam separar essas vozes usando duas formas principais:

1. O Modo "Analógico": Como usar um ouvido mecânico simples. Funciona razoavelmente bem em uma sala silenciosa, mas se confunde facilmente se houver muito ruído de fundo.
2. O Modo "Digital": Como gravar o som e analisar a frequência. Isso é muito preciso, mas requer equipamentos caros e de alta velocidade (como uma câmera que tira um bilhão de fotos por segundo) e é lento para processar.

Ambos os métodos antigos tinham dificuldades quando o sinal era fraco ou o ruído era alto.

A Nova Solução: O "Detetive Inteligente" (RGLR-SLA)

Os autores criaram um novo modelo de IA chamado RGLR-SLA. Pense neste modelo como um detetive superinteligente que observa a forma do grito (o pulso) de três ângulos diferentes ao mesmo tempo.

Aqui está como o detetive funciona, dividido em três truques:

1. A Câmera de Três Lentes (Detecção de Características Multi-Escala)

Imagine observar uma onda no oceano.

• Lente 1 (Zoom de Perto): Observa as pequenas ondulações no topo da onda (a borda ascendente).
• Lente 2 (Zoom Médio): Observa o corpo principal da onda (a parte do meio).
• Lente 3 (Ângulo Aberto): Observa a onda inteira, do início ao fim (a cauda longa).

Os métodos antigos geralmente olhavam através de apenas uma lente. Se a onda fosse pequena, a lente de ângulo aberto perdia os detalhes. Se a onda fosse enorme, a lente de zoom de perto se perdia. Este novo detetive usa todas as três lentes ao mesmo tempo, garantindo que capture cada detalhe, seja o sinal minúsculo ou gigante.

2. A Equipe "Local vs. Global" (Fusão Residual com Portão)

O detetive tem dois assistentes:

• Assistente A (Local): Foca nos detalhes minúsculos e imediatos da onda sonora.
• Assistente B (Global): Lembra do longo histórico do som para ver o panorama geral.

Às vezes a sala está silenciosa e o Assistente A é perfeito. Às vezes a sala está barulhenta, o Assistente A se confunde, mas o Assistente B ainda consegue ouvir o padrão. O detetive usa um "Mecanismo de Portão" (como um semáforo inteligente) para decidir quanto deve ouvir o Assistente A e quanto deve ouvir o Assistente B. Se estiver barulhento, ele ouve mais o assistente Global. Se estiver claro, ele ouve mais o assistente Local. Esse trabalho de equipe torna o sistema muito resistente ao ruído.

3. O "Leitor Veloz" (Atenção Linear Esparsa)

Normalmente, modelos de IA que observam sequências longas de dados (como um longo discurso) tornam-se lentos porque tentam comparar cada palavra com todas as outras palavras. Isso é como tentar ler um livro verificando cada letra contra todas as outras letras do livro — leva uma eternidade.

Este novo modelo usa um truque de "Atenção Linear Esparsa". Em vez de ler o livro inteiro, ele aprende a pular as partes chatas e focar apenas nas palavras mais importantes. Isso torna o detetive 50 vezes mais rápido do que o "leitor lento" padrão, permitindo que processe sinais em tempo real sem precisar de um supercomputador.

Os Resultados: Quão Bom é o Detetive?

Os pesquisadores testaram este novo detetive em um conjunto de dados de quase 20.000 pulsos (alguns de nêutrons, outros de raios gama). Veja como ele se saiu:

• Precisão: Ele acertou a resposta 98,7% das vezes.
• Resistência ao Ruído: Mesmo quando adicionaram um ruído estático pesado (simulando uma festa muito barulhenta), o detetive ainda acertou 95,1% das vezes. Os métodos antigos caíram abaixo de 80% de precisão nessas condições.
• Velocidade: Ele pode processar um único sinal em 0,05 milissegundos em uma placa gráfica padrão. Isso é rápido o suficiente para ser usado em sistemas de monitoramento em tempo real, como os usados para segurança nuclear.

A Conclusão

O artigo afirma que, ao combinar uma visão de "três lentes", uma equipe inteligente "local/global" e um mecanismo de atenção de "leitura veloz", eles construíram um sistema que é:

1. Mais preciso do que os métodos tradicionais.
2. Muito melhor em ignorar o ruído.
3. Rápido o suficiente para ser usado em equipamentos de segurança do mundo real, em tempo real.

Eles provaram com sucesso isso usando um detector específico (CLYC) e uma fonte de radiação construída sob medida, mostrando que este novo "detetive de IA" está pronto para ajudar a manter os ambientes nucleares seguros e monitorados de forma eficiente.

Resumo técnico

Resumo Técnico: Um Método para Discriminação de Forma de Pulso Neutrão-Gama de Detector CLYC Baseado em uma Rede de Atenção Linear Residual com Portão

Definição do Problema
A discriminação de pulsos de nêutrons e raios gama é uma tecnologia crítica para o monitoramento da segurança nuclear e avaliação de radiação. Embora os nêutrons possuam alto poder de penetração e representem riscos significativos, sua detecção é frequentemente complicada pela presença simultânea de raios gama, que introduzem interferência na análise de dados. Os métodos tradicionais de Discriminação de Forma de Pulso (PSD), incluindo abordagens baseadas em circuitos analógicos e técnicas digitais de domínio do tempo (ex: comparação de carga, tempo de subida), frequentemente sofrem com sensibilidade ao ruído e aplicabilidade limitada em campos de radiação mista de baixa atividade. Por outro lado, os métodos de domínio da frequência oferecem forte imunidade ao ruído, mas impõem requisitos rigorosos de hardware, tipicamente necessitando de taxas de amostragem superiores a 1 GS/s. Embora algoritmos inteligentes recentes baseados em aprendizado de máquina e aprendizado profundo tenham mostrado potencial, permanecem desafios relativos à resistência fraca ao ruído, capacidades limitadas de extração de características e desempenho insuficiente para tempo real em implantações embarcadas.

Metodologia
Para abordar essas limitações, os autores desenvolveram uma rede aprimorada de Atenção Linear Esparsa com Loop Residual com Portão Recursivo (RGLR-SLA), implementada em uma plataforma experimental de detector CLYC (Cs2LiYCl6:Ce). A metodologia envolve três componentes arquiteturais primários:

1. Incorporação de Blocos Multiescala: A rede utiliza canais convolucionais paralelos para extrair características em diferentes escalas temporais. Especificamente, ela captura detalhes de borda de subida em nível de nanossegundos, taxas de decaimento em nível de microssegundos e características de contorno geral em nível de 10 microssegundos. Esta abordagem supera as limitações de escala única dos algoritmos tradicionais, permitindo que o modelo pondere adaptativamente as características com base na energia do pulso (ex: focando em bordas de subida para pulsos de baixa energia e tendências de decaimento para pulsos de alta energia).
2. Módulo RGLR Aprimorado: Este módulo central emprega uma fusão sinérgica de características locais e globais. Ele utiliza convoluções separáveis profundas para extrair detalhes de forma de onda locais e Unidades Recorrentes de Portão (GRUs) bidirecionais para capturar dependências temporais de longo alcance. Um mecanismo de portão (gating) aprendível pondera e funde essas características de forma adaptativa, enquanto conexões residuais mitigam o desaparecimento do gradiente. Este design visa suprimir a interferência em ambientes de alto ruído, mantendo a resolução em condições de baixo ruído.
3. Atenção Linear Esparsa (SLA) Aprimorada: Para atender às demandas de processamento em tempo real, a rede substitui a autoatenção padrão (complexidade O(n²)) por um mecanismo de atenção linear esparsa. Ao combinar estratégias de esparsificação com projeção linear, a complexidade computacional é reduzida para O(n), melhorando significativamente a eficiência sem sacrificar a capacidade de modelar características globais.

Configuração Experimental e Dados
O estudo utilizou uma plataforma experimental composta por um gerador de nêutrons NG-9 D-D (produzindo nêutrons de 2,5 MeV) e fontes gama padrão de 137Cs e 60Co. Um detector CLYC (cristal de 25 mm × 25 mm) acoplado a um tubo fotomultiplicador (PMT) e um sistema de aquisição de dados de alta velocidade foi utilizado para capturar os sinais de pulso. Um conjunto de dados de 19.971 amostras válidas (8.974 nêutrons e 10.977 gamas) foi pré-processado através de supressão de ruído, normalização de amplitude e verificação de qualidade (garantindo SNR ≥ 30 dB). Os dados foram estratificados em conjuntos de treinamento (75%), validação (15%) e teste (10%).

Principais Resultados
A rede RGLR-SLA demonstrou desempenho superior em múltiplas métricas comparado a métodos tradicionais (comparação de carga, tempo de subida, gradiente de frequência) e modelos de referência de aprendizado profundo (CNN+LSTM+Transformer):

• Desempenho de Classificação: O modelo alcançou uma Figura de Mérito (FoM) de 2,2, uma acurácia de classificação de 98,7%, uma precisão de 96,4%, um recall de 99,4% e um F1 score de 97,9%.
• Robustez ao Ruído: Sob condições de baixa relação sinal-ruído (20 dB), o modelo manteve uma acurácia de 95,1%, superando significativamente os métodos tradicionais que caíram abaixo de 80% sob condições semelhantes.
• Eficiência Computacional: O modelo contém aproximadamente 2,8 milhões de parâmetros. Em uma GPU NVIDIA RTX 4070, o tempo de processamento por pulso é de 0,05 ms; em uma CPU Intel Core i7-12800HX, é de 0,3 ms. Este rendimento satisfaz os requisitos para monitoramento em tempo real e implantação embarcada.

Significância e Alegações
O artigo afirma que a rede RGLR-SLA fornece uma solução técnica viável para discriminação de forma de pulso de alta precisão, robusta e em tempo real em campos de radiação mista nêutron-gama. Os autores afirmam que sua abordagem equilibra com sucesso acurácia e eficiência ao:

1. Capturar características físicas multiescala de pulsos que os métodos tradicionais de escala única perdem.
2. Alcançar a fusão adaptativa de características locais e globais para aumentar a imunidade ao ruído.
3. Reduzir a complexidade computacional através de atenção linear esparsa, permitindo a implantação em hardware com recursos limitados sem sacrificar o desempenho.

O estudo conclui que o método proposto supera significativamente os algoritmos existentes tanto em qualidade de discriminação quanto em capacidade de tempo real, oferecendo um caminho viável para sistemas avançados de monitoramento de segurança nuclear.