論文の概要: Peak-Based Nuclide Identification in HPGe $γ$-Spectrometry with Machine Learning and SHAP

• arxiv url: http://arxiv.org/abs/2606.14874v1
• Date: Fri, 12 Jun 2026 18:20:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-16 16:21:32.356242
• Title: Peak-Based Nuclide Identification in HPGe $γ$-Spectrometry with Machine Learning and SHAP
• Title（参考訳）: HPGe $γ$-Spectrometry with Machine Learning and SHAP におけるピーク型核種同定
• Authors: Samuel Emmons, Kelly Truax, Maurice Lonsway, Bruce Pierson, Brian Archambault,
• Abstract要約: 高純度ゲルマニウムガンマスペクトルは、しばしば被験物質の専門家による時間的な分析を必要とする。 これらのスペクトル内の光ピークは慎重に調整され、核種同定(NID)と定量化を支援する数値法が用いられる。 監視された機械学習ベースのNIDは、アナリストに提案された放射性核種の初期セットを改善するための専門家インフォームドで自動化されたツールとして機能する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: High-purity germanium gamma spectra often require time-consuming analyses from subject matter experts. Photopeaks within these spectra are carefully fitted and numerical methods are employed to assist with nuclide identification (NID) and quantification. Amending the list of nuclides identified by analysis software can be nontrivial. When many samples need to be analyzed, it is therefore challenging to make timely and correct decisions. Supervised machine-learning-based NID can serve as an expert-informed, automated tool to improve the initial set of radionuclides suggested to an analyst and more effectively drive subsequent quantification. To that end, we implemented machine learning models that map photopeaks carefully fitted by analysts to NID results for experimental spectra containing various isotopic combinations drawn from a set of 65 isotopes. The best model achieved an F1 score of 0.97, markedly surpassing the F1 score of 0.84 achieved by traditional software when compared using a nuclide library comprising the same 65 isotopes assessed by the models. Finally, we illustrated the most important input features for model predictions using Shapley Additive Explanations. These explanations revealed that the models use physically relevant photopeaks when making predictions for the isotopes in our nuclide library.
• Abstract（参考訳）: 高純度ゲルマニウムガンマスペクトルは、しばしば被験物質の専門家による時間的な分析を必要とする。 これらのスペクトル内の光ピークは慎重に調整され、核種同定(NID)と定量化を支援する数値法が用いられる。 解析ソフトウェアで特定されるヌクリドのリストを修正することは簡単ではない。 多くのサンプルを分析する必要がある場合、タイムリーかつ正しい決定をすることは困難である。 監視された機械学習ベースのNIDは、専門家による自動ツールとして機能し、アナリストに提案された放射性核種の初期セットを改善し、その後の定量化をより効果的に進める。 そこで我々は,65個の同位体の集合から抽出した様々な同位体の組み合わせを含む実験スペクトルに対して,分析者により慎重に適合した光ピークをNID結果にマッピングする機械学習モデルを実装した。 最良のモデルはF1スコアの0.97を達成し、従来のソフトウェアが達成したF1スコアの0.84を上回った。 最後に、Shapley Additive Explanationsを用いたモデル予測において最も重要な入力機能について説明した。 これらの説明は、これらのモデルが核融合ライブラリーの同位体の予測を行う際に、物理的に関係のある光ピークを使用することを示した。

関連論文リスト

• Material Identification using Multi-Modal Intrinsic Radiation and Radiography [2.3326636172299375]
  本研究では,Belyllium Reflected Plutonium sphere (BeRP) 球を,未知組成の1つか2つの同心シールドシェルに囲まれていると考えている。 高純度ゲルマニウム(HPGe)スペクトルは、選択したPu-239光ピークにおいてネット数に還元される。 中性子多重度情報は、中性子カウント統計の因子モーメントから計算されたファインマン分散Y2,Y3によって要約される。
  論文  参考訳（メタデータ） (2026-03-27T23:04:31Z)
• A Neural Network Approach to Multi-radionuclide TDCR Beta Spectroscopy [12.470638217209851]
  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。
  論文  参考訳（メタデータ） (2025-09-03T08:40:02Z)
• The DNA of nuclear models: How AI predicts nuclear masses [2.931240348160871]
  本稿では,E_b$の最先端精度を実現するAIモデルを提案する。 E_b$のAI予測は階層的に分解・順序付け可能であり、最も重要な用語はよく知られた記号モデルに対応する。
  論文  参考訳（メタデータ） (2025-08-11T18:00:17Z)
• Integrating Machine Learning and Quantum Circuits for Proton Affinity Predictions [0.0]
  ガス相では、陽子親和性(PA)測定により陽子生成部位が決定される。 機械学習(ML)モデルと組み合わせて,複数記述子を用いてPA予測を高速かつ高精度に行う手法を開発した。 その結果,R2は0.96,MAEは2.47kcal/mol,MAEは2.47kcal/molであった。
  論文  参考訳（メタデータ） (2024-11-26T20:13:56Z)
• SpectralEarth: Training Hyperspectral Foundation Models at Scale [47.93167977587301]
  ハイパースペクトル基礎モデルの事前学習を目的とした大規模マルチテンポラルデータセットであるSpectralEarthを紹介する。 我々はSpectralEarthの一連の基礎モデルを事前訓練し、古典的な視覚バックボーンにスペクトルアダプタを統合する。 タンデムでは、土地被覆、作物型マッピング、樹木種分類のための9つの下流データセットを構築した。
  論文  参考訳（メタデータ） (2024-08-15T22:55:59Z)
• A Multi-Grained Symmetric Differential Equation Model for Learning Protein-Ligand Binding Dynamics [73.35846234413611]
  薬物発見において、分子動力学(MD)シミュレーションは、結合親和性を予測し、輸送特性を推定し、ポケットサイトを探索する強力なツールを提供する。 我々は,数値MDを容易にし,タンパク質-リガンド結合ダイナミクスの正確なシミュレーションを提供する,最初の機械学習サロゲートであるNeuralMDを提案する。 従来の数値MDシミュレーションと比較して1K$times$ Speedupを実現することにより,NeuralMDの有効性と有効性を示す。
  論文  参考訳（メタデータ） (2024-01-26T09:35:17Z)
• 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)
• Comparative analysis of deep learning approaches for AgNOR-stained cytology samples interpretation [52.77024349608834]
  本稿では, 深層学習手法を用いて, 好気性ヌクレオラオーガナイザ領域 (AgNOR) 染色スライダを解析する方法を提案する。 以上の結果から,バックボーンとしてResNet-18やResNet-34を用いたU-Netを用いたセマンティックセマンティックセマンティックセマンティクスは類似した結果を示す。 最も優れたモデルは、それぞれ0.83、0.92、0.99の核、クラスター、衛星のIoUを示す。
  論文  参考訳（メタデータ） (2022-10-19T15:15:32Z)
• Understanding of the properties of neural network approaches for transient light curve approximations [37.91290708320157]
  本稿では,観測光曲線を時間と波長で近似する最良性能法を提案する。 テストデータセットには、PLAsTiCCと実際のZwicky Transient Facility Bright Transient Survey光曲線のシミュレーションが含まれている。
  論文  参考訳（メタデータ） (2022-09-15T18:00:08Z)

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。