《Applied Radiation and Isotopes》：Feasibility Study of Fast Nuclide Identification for Beta-Emitting Sources Using Learning-Based Models
编辑推荐：
本研究探讨基于学习模型的快速识别空气中β放射性核素组合的可行性。实验采用PIPS探测器，在控制条件下训练支持向量机（SVM）和时间序列分类器（TSCT），结果显示SVM和TSCT分别达到100%和98%的分类准确率，推理时间短，适用于核设施或事故后的实时监测。
Min Ji Kim | Hee Reyoung Kim
韩国蔚山国家科学技术研究院核工程系，蔚山 44919
摘要
本研究基于空气中测量的β谱数据，探讨了利用基于学习的模型快速识别β发射放射性核素的可行性。尽管β粒子容易被屏蔽，但在放射性紧急情况或核设施工作中，快速识别β发射核素对于确保放射安全至关重要。例如，在事故后的环境调查中（如福岛事故后的放射性锶监测）以及在核设施中连续空气监测器发出污染警报后需要立即做出决策时，都需要快速识别β发射体。然而，由于β谱的连续性，核素识别需要化学预处理、高精度探测器或复杂的分析设备。为了解决这一限制，本文提出了一种基于人工智能的方法来快速识别β核素。实验系统使用了β盘源以及相应的检测系统和电子设备。采用了两种基于学习的模型：支持向量机（SVM）和基于变压器的时间序列分类（TSCT），对来自60Co、90Sr/90Y、137Cs和152Eu的15种核素组合进行了分类。SVM和TSCT模型的分类准确率分别为100%和98.0%。在固定几何形状和稳定电子设备的受控实验室条件下训练后，这两种模型能够在几秒钟内识别出核素组合，证实所提出的方法显著提高了β核素识别的速度。预计本研究将为在实际环境中应用提供基础，并通过更多变场的验证，有助于制定更有效的辐射防护策略。
引言
与光子不同，β粒子在穿过物质时会逐渐失去能量并最终停止。由于穿透能力有限，β辐射可以通过屏蔽材料有效阻挡，从而将外部暴露的风险降到最低。然而，如果摄入或吸入β放射性核素，会带来内部暴露的显著风险[1]、[2]。因此，在可能释放多种放射性核素的环境中（如核设施退役期间），监测β粒子对于确保放射安全至关重要。在放射性事件中，快速识别放射性核素尤为重要，因为它有助于及时去污和适当的剂量管理，进一步促进核材料监测和污染控制。
通过光谱分析进行核素识别特别具有挑战性，因为β发射体产生连续的能量谱[2]、[3]、[4]。因此，传统的识别方法通常需要高精度探测器、复杂的分析系统、放射化学预处理和样品制备。这些要求限制了它们在野外环境中的适用性，因为它们体积庞大且效率低下[1]、[5]。为了解决这些限制，提出了各种算法。其中一种方法使用液体闪烁计数器和双比率技术来识别β发射放射性核素。该技术基于双比率曲线，该曲线表示外部标准源的淬火指标（外部标准的光谱指数）与样品的淬火指标（样品的光谱指数）之间的关系[6]。这种方法通过相对简单的实验装置实现了快速准确的β发射放射性核素识别。类似地，还应用了光谱展开和双窗口技术，以及双参数淬火方法，后者通过检测核素之间的脉冲高度分布差异来进行识别，或者基于衰变曲线变化的技术[7]、[8]、[9]。基于LSC的识别方法（例如双比率或淬火参数方法）需要淬火校准，并且当样品矩阵或计数条件发生变化时可能会产生不同的决策区域。同样，基于窗口/阈值的筛选方法在β谱因自吸收、滤光片加载或几何差异而退化时，通常需要重新优化ROI设置，对于具有重叠连续谱的混合物，这种不确定性会更加明显。这些方法的局限性在于它们依赖于预定义的标准和手动分析。此外，它们的性能可能受测量依赖因素（如淬火水平、样品矩阵或校准/窗口设置）的影响，当谱线发生扭曲或多核素重叠增加时，决策边界可能无法可靠转移。因此，将这些基于规则的程序扩展到模糊或混合情况通常需要重新调整阈值或为每种测量场景重新定义窗口。然而，如果能够自动学习并泛化光谱数据中的细微模式，这些方法的适用性可以扩展到传统方法效果较差的更复杂和模糊的情况。
人工智能（AI），特别是机器学习，在需要快速分类和分析高维数据的科学领域中得到了越来越广泛的应用。在核工程领域，AI已被应用于伽马谱分析、射线图像解释、反应堆异常检测和放射性废物管理等任务[10]、[11]、[12]、[13]。这些应用展示了AI处理噪声数据、学习潜在模式并在新条件下有效泛化的能力。然而，大多数先前的研究都集中在具有明显能量峰的伽马光谱或场景上，因为在这些情况下特征提取相对简单。与伽马光谱不同，β能量谱是连续的，并且不同核素之间的谱线经常重叠，这使得特征提取和类别分离更具挑战性，且在不同测量条件下的可转移性较低。此外，实际的β谱测量可能受到几何形状和矩阵效应（如自吸收、沉积厚度和背散射）的强烈影响，最近文献中关于AI在这种变异性下的稳健性能的证据仍然有限。这些应用空白促使人们提出了一种基于学习的方法，该方法可以直接从β谱中学习判别模式，并在受控条件下明确评估泛化能力。
因此，本研究利用AI模型快速识别β发射放射性核素的潜力。通过在一致条件下收集的标准化β谱上训练模型，实现了快速准确的β发射体分类。β谱是在现场使用钝化植入平面硅（PIPS）探测器获得的，AI模型用于核素分类。这种方法消除了样品收集、化学预处理或大规模检测系统的需求，与传统β放射性核素识别方法相比具有显著的时间优势。
本文的结构如下：第2节介绍了方法论，包括实验设置、数据采集过程以及用于β核素识别的AI模型。第3节讨论了实验结果，包括支持向量机（SVM）和基于变压器的时间序列分类（TSCT）模型的初步测试和性能评估。最后，第4节总结了研究的主要发现并指出了未来研究的方向。
实验系统
设计了一个由探测器、放射源、屏蔽盒和相关电子设备组成的检测系统来测量β辐射。为此，本研究使用了PIPS探测器。这种基于半导体的探测器具有窄带隙，与气体或闪烁探测器相比具有更高的能量分辨率，同时具有低泄漏电流和高耐用性[14]、[15]。在各种PIPS型号中，连续空气监测（CAM）系列
预测试
表2列出了四种源的计数率和检测效率。表2中的效率是净计数率除以测量日期的活度计算得出的。对于表3中列出的15种核素组合，每种组合收集了五分钟的数据，每种组合共获得150个数据点。从这150个数据点计算出每个通道的平均标准化概率，并显示了相应的光谱轮廓
结论
本研究评估了使用在光谱数据上训练的AI模型识别空气中β发射核素组合的可行性。具有线性核函数的SVM模型达到了100%的准确率，而TSCT模型的准确率为98.0%。关于训练时间，SVM模型不到10秒即可完成训练，而TSCT模型在高性能GPU上运行时大约需要3分钟完成训练。在这两种情况下，模型在训练后几秒钟内就能得出结论
CRediT作者贡献声明
Min Ji Kim：撰写 – 审稿与编辑，撰写 – 原稿，软件开发，方法论，调查，正式分析，数据管理，概念化。Hee Reyoung Kim：撰写 – 审稿与编辑，监督，项目管理，资金获取
资助列表
本研究得到了韩国能源技术评估与规划研究所和韩国贸易、工业与能源部的支持（资助编号20214000000410）
利益冲突声明
? 作者声明他们没有已知的可能影响本文工作的财务利益或个人关系。
