DOI: https://doi.org/10.1016/j.radmeas.2026.107653
تاريخ النشر: 2026-02-24
المؤلف: Haoran Liu وآخرون
الموضوع الرئيسي: كشف الإشعاع وتقنيات الكاشف الوميضي
نظرة عامة
تقدم هذه المراجعة مسحًا شاملاً ومقارنة معيارية لما يقرب من ستين خوارزمية لتمييز شكل النبض (PSD) لاكتشاف الإشعاع، مصنفة إياها إلى أنماط إحصائية وأنماط قائمة على المعرفة السابقة، بما في ذلك أساليب التعلم الآلي والتعلم العميق. تم تقييم الخوارزميات على مجموعتين بيانات موحدتين: واحدة من مصدر $^{241}\text{Am}-^9\text{Be}$ وأخرى مجموعة مُعلمة من مصدر $^{238}\text{Pu}-^9\text{Be}$، باستخدام مقاييس مثل معامل الجدارة (FOM)، ودرجة F1، وROC-AUC، والارتباطات بين الأساليب. تشير النتائج إلى أن نماذج التعلم العميق، وخاصة الشبكات العصبية متعددة الطبقات (MLPs) والأساليب الهجينة التي تدمج الميزات الإحصائية مع الانحدار العصبي، تتفوق بشكل كبير على التقنيات التقليدية، حيث تحقق درجات F1 غالبًا ما تتجاوز 0.95.
تؤكد الدراسة على المزايا المعمارية لـ MLPs في التقاط الميزات المحددة حسب الموقع الضرورية للتمييز، بينما تعالج أيضًا قيود الشبكات العصبية التلافيفية (CNNs) ونماذج أخرى في التعامل مع طبيعة البيانات النبضية القصيرة. يدعو المؤلفون إلى استراتيجية تقييم أكثر شمولاً تشمل درجة F1 وROC-AUC، بدلاً من الاعتماد فقط على FOM. لتعزيز إمكانية التكرار والبحث الإضافي، أطلق المؤلفون مجموعة أدوات مفتوحة المصدر بلغة بايثون وMATLAB، جنبًا إلى جنب مع مجموعات البيانات المستخدمة في الدراسة. تشمل اتجاهات البحث المستقبلية تطوير هياكل هجينة جديدة، وتوسيع مجموعات بيانات التدريب، ودمج البيانات متعددة الأنماط، وتحسين النماذج للتطبيقات في الوقت الحقيقي في اكتشاف الإشعاع.
مقدمة
تناقش مقدمة الورقة أهمية تمييز شكل النبض (PSD) في اكتشاف الإشعاع، مع التأكيد على دوره في تمييز أنواع مختلفة من الجسيمات في بيئات الإشعاع المختلطة. يستفيد PSD من الخصائص الزمنية المميزة للنوبات الكهربائية الناتجة عن الجسيمات المختلفة عند تفاعلها مع وسط الكاشف. على سبيل المثال، بينما تنتج كل من النيوترونات وأشعة غاما نبضات بحواف صاعدة مشابهة، تختلف ملفات الانحلال الخاصة بها بشكل ملحوظ؛ حيث تظهر أشعة غاما انحلالًا سريعًا بسبب الفلورية الفورية، بينما تحتوي النبضات الناتجة عن النيوترونات على ذيل مطول بسبب الفلورية المتأخرة والفوسفورية. هذا التمييز ضروري في تطبيقات مثل مراقبة المفاعلات النووية وأبحاث الفيزياء الأساسية.
تحدد الورقة نموذجين رئيسيين لأساليب PSD: التمييز الإحصائي والتمييز القائم على المعرفة السابقة. يعتمد التمييز الإحصائي على تحليل مجموعة بيانات كبيرة من النبضات المجمعة لتحديد توزيعات إحصائية مميزة لأنواع الجسيمات المختلفة، باستخدام تقنيات متنوعة في مجال الزمن ومجال التردد، بالإضافة إلى أساليب الشبكات العصبية الحديثة. في المقابل، يستخدم التمييز القائم على المعرفة السابقة مجموعات بيانات مُعلمة مسبقًا لبناء نماذج تنبؤية، تتضمن أساليب التعلم الآلي الكلاسيكي والتعلم العميق. على الرغم من وجود مراجعات قائمة حول تقدمات PSD، لا يزال هناك فجوة ملحوظة في المقارنات المنهجية للعديد من الخوارزميات المتاحة. تتناول هذه الورقة هذه الفجوة من خلال تقديم دراسة مقارنة شاملة لما يقرب من ستين طريقة PSD، تم تقييمها على مجموعات بيانات موحدة، وتقدم مكتبة مفتوحة المصدر لتنفيذ الخوارزميات في MATLAB وPython، مما يعزز إمكانية التكرار ويساعد الباحثين في اختيار التقنيات المثلى.
الطرق
في هذه الدراسة، تم استخدام مجموعتين بيانات متميزتين لتمييز شكل النبض (PSD). كانت المجموعة الأولى مشتقة من مصدر مغلق $^{241}\text{Am} – ^9\text{Be}$ بنشاط اسمي قدره 400 ميكرو كوري (1.48 × 10¹⁰ بيكريل)، مما أسفر عن معدل انبعاث نيوترونات قدره 8.88 × 10⁵ نيوترون•ثانية⁻¹. تم أخذ القياسات باستخدام كاشف بلاستيكي EJ299-33، وتم جمع إشارات النبض عبر أنبوب مضاعف الضوء (PMT) ورقمنتها بمعدل أخذ عينات قدره 1 جيجاهرتز. بعد المعالجة المسبقة لإزالة الإشارات التالفة، تبقى 9,414 نبضة قابلة للاستخدام، تمثل سيناريو PSD نموذجي بدون تسميات حقيقية. المجموعة الثانية، وهي مجموعة بيانات زمن الرحلة (TOF) من مصدر $^{238}\text{Pu} – ^9\text{Be}$، استخدمت كواشف أشعة غاما من يوتريوم الألمنيوم بيروفسكايت (YAP:Ce) وكاشف نيوترونات سريع NE213A. تضمنت هذه المجموعة تسميات جسيمات موثقة من خلال قياسات التزامن، مما أسفر عن 21,001 نبضة بعد تطبيق عتبة برمجية قدرها 2 ميغا إلكترون فولت، والتي تم تقسيمها إلى مجموعات تدريب، والتحقق، والاختبار.
لتسهيل البحث، تم تطوير مجموعة أدوات PSD وجعلها متاحة للجمهور على GitHub، مع ميزات تنفيذ بايثون لأساليب إحصائية وآلية، بالإضافة إلى مرشحات مختلفة لإشارات النبض. تتضمن مجموعة الأدوات أيضًا محاكيات للضوضاء وسيناريوهات التداخل، مما يسمح للمستخدمين بإنشاء ظروف اختبار صعبة دون تغيير خط أنابيب المقارنة الأساسي. تم إجراء جميع التجارب على محطة عمل عالية الأداء، واتبعت طرق PSD هياكلها الأصلية، مع إجراء تعديلات فقط على خصائص إشارات النبض. تم توفير إعدادات التنفيذ التفصيلية في مجموعة الأدوات لمزيد من الإشارة.
المناقشة
في قسم المناقشة من ورقة البحث، يتم تقييم طرق تمييز شكل النبض (PSD) المختلفة من حيث فعاليتها في التمييز بين نبضات النيوترونات وأشعة غاما. تستخدم طرق مقارنة الشحنات (CC) ودمج الشحنات (CI) نسب الشحنات من مكونات النبض المختلفة لتمييز أنواع الجسيمات، حيث تركز طريقة CC على المكون البطيء من النبضة. تقوم طريقة نسبة ميل الحافة الساقطة (FEPS) بتحليل ميل الحافة الساقطة للنبضة، بينما تستخدم طريقة معامل غاتي (GP) نهجًا خطيًا مرجحًا باستخدام إشارات مرجعية لتعزيز التمييز. توفر طريقة نسبة الاحتمال اللوغاريتمي (LLR) إطارًا احتماليًا يعتمد على احتمالات شكل النبض، بينما تحسب طريقة الوقت المتوسط اللوغاريتمي (LMT) الوقت المتوسط المرجح بالسعة للنبضة، والذي يتأثر بخصائص الانحلال.
تشمل الطرق الأخرى تحليل المكونات الرئيسية (PCA) لتقليل الأبعاد، وتحليل تدرج النبض (PGA) لقياس التدرج، وتقنيات التعرف على الأنماط (PR) التي تستفيد من التشابه الزاوي في الفضاءات عالية الأبعاد. تقوم طريقة العبور الصفري (ZC) بتحويل النبضات إلى إشارات ثنائية القطب لتحديد نقاط العبور الصفري، بينما تحلل الطرق القائمة على التردد مثل تحويل فورييه المتقطع (DFT) وتحليل تدرج التردد (FGA) مكونات التردد للتمييز. تستخدم طرق تحويل الموجات (WT1 وWT2) ميزات الموجات لفصل أفضل بين أنواع الجسيمات. تستفيد أساليب الشبكات العصبية، بما في ذلك تدرج السلم والشبكات العصبية المرتبطة بالنبض، من هياكل الشبكات العصبية المتفجرة لاستخراج الميزات مباشرة من أشكال النبض، بينما تظهر نماذج التعلم العميق، مثل الشبكات العصبية التلافيفية (CNNs) والشبكات العصبية متعددة الطبقات (MLPs)، القدرة على تعلم أنماط معقدة من كل من بيانات النبض الخام والمتحولة، مما يمثل تقدمًا كبيرًا في أساليب PSD.
DOI: https://doi.org/10.1016/j.radmeas.2026.107653
Publication Date: 2026-02-24
Author(s): Haoran Liu et al.
Primary Topic: Radiation Detection and Scintillator Technologies
Overview
This review provides an extensive survey and benchmarking of nearly sixty pulse shape discrimination (PSD) algorithms for radiation detection, categorizing them into statistical and prior-knowledge paradigms, including machine learning and deep learning approaches. The algorithms were evaluated on two standardized datasets: one from a $^{241}\text{Am}-^9\text{Be}$ source and another labeled set from a $^{238}\text{Pu}-^9\text{Be}$ source, using metrics such as Figure of Merit (FOM), F1-score, ROC-AUC, and inter-method correlations. The findings indicate that deep learning models, particularly Multi-Layer Perceptrons (MLPs) and hybrid methods that integrate statistical features with neural regression, significantly outperform traditional techniques, achieving F1-scores often exceeding 0.95.
The study emphasizes the architectural advantages of MLPs for capturing position-specific features essential for discrimination, while also addressing the limitations of convolutional neural networks (CNNs) and other models in handling the short-sequence nature of pulse data. The authors advocate for a more comprehensive evaluation strategy that includes F1-score and ROC-AUC, rather than relying solely on FOM. To promote reproducibility and further research, the authors have released an open-source toolbox in Python and MATLAB, along with the datasets used in the study. Future research directions include developing novel hybrid architectures, expanding training datasets, integrating multi-modal data, and optimizing models for real-time applications in radiation detection.
Introduction
The introduction of the paper discusses the significance of Pulse Shape Discrimination (PSD) in radiation detection, emphasizing its role in differentiating various types of particles in mixed radiation environments. PSD leverages the distinct temporal characteristics of electrical pulses generated by different particles when they interact with a detector medium. For instance, while both neutrons and gamma-rays produce pulses with similar rising edges, their decay profiles differ markedly; gamma-rays exhibit rapid decay due to prompt fluorescence, whereas neutron-induced pulses have a prolonged tail due to delayed fluorescence and phosphorescence. This differentiation is crucial in applications such as nuclear reactor monitoring and fundamental physics research.
The paper outlines two primary paradigms for PSD methodologies: statistical discrimination and prior-knowledge discrimination. Statistical discrimination relies on analyzing a large dataset of collected pulses to identify distinct statistical distributions for different particle types, employing various time-domain and frequency-domain techniques, as well as modern neural network approaches. In contrast, prior-knowledge discrimination utilizes pre-labeled datasets to build predictive models, incorporating classical machine learning and deep learning methods. Despite existing reviews on PSD advancements, a notable gap remains in systematic comparisons of the numerous algorithms available. This paper addresses this gap by presenting a comprehensive benchmark study of nearly sixty PSD methods, evaluated on standardized datasets, and offers an open-source library for algorithm implementations in MATLAB and Python, thereby promoting reproducibility and aiding researchers in selecting optimal techniques.
Methods
In this study, two distinct datasets were employed for pulse shape discrimination (PSD). The first dataset was derived from a sealed $^{241}\text{Am} – ^9\text{Be}$ source with a nominal activity of 400 mCi (1.48 × 10¹⁰ Bq), yielding a neutron emission rate of 8.88 × 10⁵ neutrons•s⁻¹. Measurements were taken using an EJ299-33 plastic scintillator, and pulse signals were collected via a photomultiplier tube (PMT) and digitized at a sampling rate of 1 GS/s. After preprocessing to remove corrupted signals, 9,414 usable pulses remained, representing a typical PSD scenario without ground-truth labels. The second dataset, a time-of-flight (TOF) dataset from a $^{238}\text{Pu} – ^9\text{Be}$ source, utilized yttrium aluminum perovskite (YAP:Ce) gamma-ray detectors and an NE213A fast neutron detector. This dataset included verified particle labels through coincidence measurements, resulting in 21,001 pulses after applying a 2 MeV software threshold, which were partitioned into training, validation, and test sets.
To facilitate the research, a PSD toolbox was developed and made publicly available on GitHub, featuring Python implementations for statistical and machine learning methods, as well as various pulse signal filters. The toolbox also includes simulators for noise and pile-up scenarios, allowing users to create challenging test conditions without altering the core benchmarking pipeline. All experiments were conducted on a high-performance workstation, and the PSD methods adhered to their original architectures, with adjustments made only for pulse signal characteristics. Detailed implementation settings are provided in the toolbox for further reference.
Discussion
In the discussion section of the research paper, various pulse shape discrimination (PSD) methods are evaluated for their effectiveness in distinguishing between neutron and gamma-ray pulses. The Charge Comparison (CC) and Charge Integration (CI) methods utilize charge ratios from different pulse components to differentiate particle types, with the CC method focusing on the slow component of the pulse. The Falling-Edge Percentage Slope (FEPS) method analyzes the slope of the pulse’s falling edge, while the Gatti Parameter (GP) method employs a weighted linear approach using reference signals to enhance discrimination. The Log-Likelihood Ratio (LLR) method offers a probabilistic framework based on pulse shape likelihoods, and the Log Mean Time (LMT) method calculates the amplitude-weighted mean time of the pulse, which is influenced by decay characteristics.
Further methods include Principal Component Analysis (PCA) for dimensionality reduction, Pulse Gradient Analysis (PGA) for gradient measurement, and Pattern Recognition (PR) techniques that leverage angular similarity in high-dimensional spaces. The Zero-Crossing (ZC) method transforms pulses into bipolar signals to identify zero-crossing points, while frequency-based methods like Discrete Fourier Transform (DFT) and Frequency Gradient Analysis (FGA) analyze frequency components for discrimination. Wavelet Transform methods (WT1 and WT2) utilize wavelet features for enhanced separation of particle types. Neural network approaches, including Ladder Gradient and Pulse-Coupled Neural Networks, capitalize on spiking neural network architectures to extract features directly from pulse waveforms, while deep learning models, such as Convolutional Neural Networks (CNNs) and Multi-Layer Perceptrons (MLPs), demonstrate the ability to learn complex patterns from both raw and transformed pulse data, marking a significant advancement in PSD methodologies.