論文の概要: A Neural Network Approach to Multi-radionuclide TDCR Beta Spectroscopy
- arxiv url: http://arxiv.org/abs/2509.03137v1
- Date: Wed, 03 Sep 2025 08:40:02 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-09-04 21:40:46.465955
- Title: A Neural Network Approach to Multi-radionuclide TDCR Beta Spectroscopy
- Title（参考訳）: マルチラジオンウライドTDCRベータ分光へのニューラルネットワークによるアプローチ
- Authors: Li Yi, Qian Yang,
- Abstract要約: トリプル・ツー・ダブル・一致比(TDCR)分光法は、放射性核種定量の標準手法として広く採用されている。
本稿では,数値スペクトルシミュレーションとディープラーニングを組み合わせて,標準自由自動解析を行う人工知能フレームワークを提案する。
- 参考スコア（独自算出の注目度）: 12.470638217209851
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Liquid scintillation triple-to-doubly coincident ratio (TDCR) spectroscopy is widely adopted as a standard method for radionuclide quantification because of its inherent advantages such as high precision, self-calibrating capability, and independence from radioactive reference sources. However, multiradionuclide analysis via TDCR faces the challenges of limited automation and reliance on mixture-specific standards, which may not be easily available. Here, we present an Artificial Intelligence (AI) framework that combines numerical spectral simulation and deep learning for standard-free automated analysis. $\beta$ spectra for model training were generated using Geant4 simulations coupled with statistically modeled detector response sampling. A tailored neural network architecture, trained on this dataset covering various nuclei mix ratio and quenching scenarios, enables autonomous resolution of individual radionuclide activities and detecting efficiency through end-to-end learning paradigms. The model delivers consistent high accuracy across tasks: activity proportions (mean absolute error = 0.009), detection efficiencies (mean absolute error = 0.002), and spectral reconstruction (Structural Similarity Index = 0.9998), validating its physical plausibility for quenched $\beta$ spectroscopy. This AI-driven methodology exhibits significant potential for automated safety-compliant multiradionuclide analysis with robust generalization, real-time processing capabilities, and engineering feasibility, particularly in scenarios where reference materials are unavailable or rapid field analysis is required.
- Abstract（参考訳）: 液体シンチレーション三重共役比 (TDCR) 分光法は, 高精度, 自己校正能力, 放射性基準源からの独立性など, 放射性核種定量化の標準手法として広く採用されている。
しかし、TDCRによるマルチラジオンウライド分析は、自動化が限られており、混合仕様に依存しているという課題に直面している。
本稿では,数値スペクトルシミュレーションとディープラーニングを組み合わせた人工知能(AI)フレームワークを提案する。
モデルトレーニングのための$\beta$スペクトルは、統計的にモデル化された検出器応答サンプリングと組み合わせたGeant4シミュレーションを用いて生成された。
様々な核混合比とクエンチシナリオをカバーするこのデータセットに基づいてトレーニングされた、調整されたニューラルネットワークアーキテクチャは、個々の放射性核種の活性を自律的に分解し、エンドツーエンドの学習パラダイムを通じて効率を検出する。
アクティビティ比(平均絶対誤差 = 0.009)、検出効率(平均絶対誤差 = 0.002)、スペクトル再構成(構造類似度指数 = 0.9998)は、その物理的妥当性を検証する。
このAI駆動の手法は、特に参照材料が利用できない場合や高速フィールド分析が必要な場合において、堅牢な一般化、リアルタイム処理能力、工学的実現性を備えた自動安全対応型マルチラジオンユークリッド分析の重要な可能性を示す。
関連論文リスト
- A Hybrid Artificial Intelligence Method for Estimating Flicker in Power Systems [42.76841620787673]
本稿では,Hフィルタと適応線形ニューロンネットワークを組み合わせたハイブリッドAI手法を提案する。
提案手法はHフィルタのロバスト性を利用して不確実でノイズの多い条件下で電圧エンベロープを抽出し,次にADALINEを用いてエンベロープに埋め込まれたフリック周波数を正確に同定する。
論文 参考訳（メタデータ） (2025-06-16T15:38:39Z) - Enhancing radioisotope identification in gamma spectra via supervised domain adaptation [0.0]
本研究では, 教師付き領域適応手法がラジオアイソトープ識別モデルを改善する方法について検討した。
まず、合成ソースドメインのデータを用いて放射性同位元素の同定モデルを事前訓練し、新しいターゲットドメインに対して微調整する。
解析の結果、微調整モデルの方が、ソースドメインデータやターゲットドメインデータのみにのみトレーニングされたモデルよりも大幅に優れていたことが示唆された。
論文 参考訳（メタデータ） (2024-12-10T00:21:00Z) - Label-free timing analysis of SiPM-based modularized detectors with
physics-constrained deep learning [9.234802409391111]
モジュール化検出器のタイミング解析のためのディープラーニングに基づく新しい手法を提案する。
本稿では,提案手法が求める最適関数の存在を数学的に証明し,モデルのトレーニングと校正のための体系的アルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-04-24T09:16:31Z) - Capturing dynamical correlations using implicit neural representations [85.66456606776552]
実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。
そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
論文 参考訳（メタデータ） (2023-04-08T07:55:36Z) - StRegA: Unsupervised Anomaly Detection in Brain MRIs using a Compact
Context-encoding Variational Autoencoder [48.2010192865749]
教師なし異常検出(UAD)は、健康な被験者の異常なデータセットからデータ分布を学習し、分布サンプルの抽出に応用することができる。
本研究では,コンテクストエンコーディング(context-encoding)VAE(ceVAE)モデルのコンパクトバージョンと,前処理と後処理のステップを組み合わせて,UADパイプライン(StRegA)を作成することを提案する。
提案したパイプラインは、BraTSデータセットのT2w画像と0.859$pm$0.112の腫瘍を検出しながら、Diceスコアが0.642$pm$0.101に達した。
論文 参考訳（メタデータ） (2022-01-31T14:27:35Z) - A probabilistic deep learning approach to automate the interpretation of
multi-phase diffraction spectra [4.240899165468488]
シミュレーション回折スペクトルで訓練されたアンサンブル畳み込みニューラルネットワークを開発し、複素多相混合を同定する。
シミュレーションおよび実験的に測定された回折スペクトルをベンチマークし, これまでに報告した手法よりも精度が優れていることを示す。
論文 参考訳（メタデータ） (2021-03-30T20:13:01Z) - Towards an Automatic Analysis of CHO-K1 Suspension Growth in
Microfluidic Single-cell Cultivation [63.94623495501023]
我々は、人間の力で抽象化されたニューラルネットワークをデータレベルで注入できる新しい機械学習アーキテクチャを提案する。
具体的には、自然データと合成データに基づいて生成モデルを同時に訓練し、細胞数などの対象変数を確実に推定できる共有表現を学習する。
論文 参考訳（メタデータ） (2020-10-20T08:36:51Z) - Statistical control for spatio-temporal MEG/EEG source imaging with
desparsified multi-task Lasso [102.84915019938413]
脳磁図(MEG)や脳電図(EEG)のような非侵襲的手法は、非侵襲的手法を約束する。
ソースローカライゼーション(ソースイメージング)の問題は、しかしながら、高次元の統計的推測問題を引き起こす。
この問題に対処するために,分離されたマルチタスクラッソ(ecd-MTLasso)のアンサンブルを提案する。
論文 参考訳（メタデータ） (2020-09-29T21:17:16Z) - SUOD: Accelerating Large-Scale Unsupervised Heterogeneous Outlier
Detection [63.253850875265115]
外乱検出(OD)は、一般的なサンプルから異常物体を識別するための機械学習(ML)タスクである。
そこで我々は,SUODと呼ばれるモジュール型加速度システムを提案する。
論文 参考訳（メタデータ） (2020-03-11T00:22:50Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。