Two-dimensional total absorption spectroscopy with conditional generative adversarial networks

要約

私たちは、実験スペクトルから大量の $\gamma$ 線検出器の応答を除去するための機械学習技術の使用を検討します。
分割された $\gamma$ 線全吸収分光計(TAS)により、個々の $\gamma$ 線エネルギー (E$_\gamma$) と総励起エネルギー (E$_x$) を同時に測定できます。
TAS 検出器データの分析は、E$_x$ と E$_\gamma$ の量が相関しているという事実によって複雑になるため、E$_x$ と E$_\gamma$ の応答関数を個別に使用して単純に展開する手法は、
それほど正確ではありません。
この研究では、条件付き敵対的生成ネットワーク (cGAN) を使用して、TAS 検出器で $E_{x}$ と $E_{\gamma}$ データを同時に展開する方法を調査します。
具体的には、深層学習の最近の進歩に基づいた生成モデリング手法である \texttt{Pix2Pix} cGAN を使用して、\rawmatrix~ 行列の展開を画像間の変換問題として扱います。
単一 $\gamma$ および二重 $\gamma$ 崩壊カスケードのシミュレーション行列と実験行列の結果を示します。
私たちのモデルは、シミュレートされたテスト ケースの 93% 以上について、検出器の解像度制限内での特性評価機能を実証します。

要約(オリジナル)

We explore the use of machine learning techniques to remove the response of large volume $\gamma$-ray detectors from experimental spectra. Segmented $\gamma$-ray total absorption spectrometers (TAS) allow for the simultaneous measurement of individual $\gamma$-ray energy (E$_\gamma$) and total excitation energy (E$_x$). Analysis of TAS detector data is complicated by the fact that the E$_x$ and E$_\gamma$ quantities are correlated, and therefore, techniques that simply unfold using E$_x$ and E$_\gamma$ response functions independently are not as accurate. In this work, we investigate the use of conditional generative adversarial networks (cGANs) to simultaneously unfold $E_{x}$ and $E_{\gamma}$ data in TAS detectors. Specifically, we employ a \texttt{Pix2Pix} cGAN, a generative modeling technique based on recent advances in deep learning, to treat \rawmatrix~ matrix unfolding as an image-to-image translation problem. We present results for simulated and experimental matrices of single-$\gamma$ and double-$\gamma$ decay cascades. Our model demonstrates characterization capabilities within detector resolution limits for upwards of 93% of simulated test cases.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google