低能過濾X射線神經(jīng)網(wǎng)絡(luò)解譜方法研究

滕忠斌，宋明哲，倪 寧，魏可新，劉蘊(yùn)韜

(中國原子能科學(xué)研究院計(jì)量測試部，北京 102413)

0 引 言

對于低能過濾X射線參考輻射場，準(zhǔn)確得到輻射場中的能譜分布有利于確定輻射場中的劑量轉(zhuǎn)換系數(shù)和特性參數(shù)[1-2]。可使用半導(dǎo)體探測器或閃爍體探測器對X射線輻射場中的能譜分布進(jìn)行測量。但由探測器測量得到的是脈沖幅度譜，不是實(shí)際輻射場中粒子的注量譜，所以還需要對脈沖幅度譜進(jìn)行解譜計(jì)算[3]。其中常用的解譜方法有剝譜法、逆矩陣法、迭代法和最大熵法[4-8]。

相比于上述幾種解譜方法，利用神經(jīng)網(wǎng)絡(luò)算法對脈沖幅度譜進(jìn)行解譜具有不依賴初始能譜、避免求解病態(tài)方程組和算法可移植的特點(diǎn)。目前國內(nèi)外相關(guān)文獻(xiàn)中，神經(jīng)網(wǎng)絡(luò)算法常被用于中子脈沖幅度譜的解譜計(jì)算[8-12]。Vega-Carrillo等人[9]首先使用多球中子譜儀的響應(yīng)矩陣將標(biāo)準(zhǔn)中子譜轉(zhuǎn)換成脈沖幅度譜。然后將標(biāo)準(zhǔn)譜作為神經(jīng)網(wǎng)絡(luò)的輸入，將相應(yīng)的脈沖幅度譜作為神經(jīng)網(wǎng)絡(luò)的輸出，使用反向傳播算法訓(xùn)練神經(jīng)網(wǎng)絡(luò)。并且在訓(xùn)練完成后對神經(jīng)網(wǎng)絡(luò)進(jìn)行測試，其測試結(jié)果與標(biāo)準(zhǔn)能譜較為相符，驗(yàn)證了使用神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)中子脈沖幅度譜解譜的可行性。言杰等人[10]使用閃爍體探測器的單能響應(yīng)函數(shù)對神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。然后使用該探測器測量Am-Be中子源的脈沖幅度譜，并用訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)對其進(jìn)行解譜。解譜結(jié)果與其他解譜算法的解譜結(jié)果相比較，結(jié)果表明使用神經(jīng)網(wǎng)絡(luò)算法能夠快速和準(zhǔn)確地實(shí)現(xiàn)中子脈沖幅度譜的解譜。

對于低能過濾X射線脈沖幅度譜，國內(nèi)外暫無相關(guān)神經(jīng)網(wǎng)絡(luò)解譜計(jì)算的研究。本次研究的目的是使用PIPS探測器測量低能過濾X射線脈沖幅度譜，并使用神經(jīng)網(wǎng)絡(luò)算法對所得脈沖幅度譜進(jìn)行快速解譜。其中，選擇使用PIPS探測器[13-15]的原因?yàn)椋合啾扔诟呒冩N探測器，PIPS探測器的平面硅厚度較薄，探測效率更低。在測量較高注量的X射線時(shí)，PIPS探測器不容易發(fā)生“堵死”現(xiàn)象。本次研究最終訓(xùn)練完成的神經(jīng)網(wǎng)絡(luò)可以被移植到微型計(jì)算機(jī)中，用以方便和快速地實(shí)現(xiàn)低能過濾X射線脈沖幅度譜的解譜計(jì)算。

1 解譜原理與神經(jīng)網(wǎng)絡(luò)算法

1.1 解譜原理

對于低能過濾X射線，測得脈沖高度譜與輻射場中真實(shí)注量譜之間的關(guān)系為：

式中：Nj——脈沖高度譜中第j個(gè)能量區(qū)間內(nèi)的脈沖計(jì)數(shù)；

Φi——注量譜第i個(gè)能量區(qū)間內(nèi)的粒子數(shù)目；

Rij——注量譜中第i個(gè)能量區(qū)間的一個(gè)粒子能夠在脈沖幅度譜中第j個(gè)能量區(qū)間內(nèi)產(chǎn)生一個(gè)脈沖的概率。

由于該方程組為病態(tài)方程組，即[Rij]-1或Nj發(fā)生微小改變會對計(jì)算結(jié)果Φi有顯著影響。在解譜計(jì)算時(shí)，應(yīng)該注意避免求解上述病態(tài)問題，減小對計(jì)算結(jié)果引入的不確定度。

為了解決上述問題，可以使用神經(jīng)網(wǎng)絡(luò)算法對脈沖幅度譜進(jìn)行解譜計(jì)算。神經(jīng)網(wǎng)絡(luò)屬于人工智能算法中的一種，其可以模擬人腦對已有數(shù)據(jù)或經(jīng)驗(yàn)進(jìn)行學(xué)習(xí)，進(jìn)而對現(xiàn)有問題進(jìn)行預(yù)測或判斷。在使用神經(jīng)網(wǎng)絡(luò)算法時(shí)，首先需要使用已有的輸入數(shù)據(jù)和標(biāo)簽數(shù)據(jù)對神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。在訓(xùn)練過程中，各層神經(jīng)元之間的權(quán)重會發(fā)生改變。經(jīng)訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)可以對未知數(shù)據(jù)進(jìn)行預(yù)測。因此，使用神經(jīng)網(wǎng)絡(luò)算法解譜可以避免求解上述病態(tài)方程組，進(jìn)而提高了解譜結(jié)果的準(zhǔn)確度。

1.2 神經(jīng)網(wǎng)絡(luò)訓(xùn)練數(shù)據(jù)的獲取

1.2.1 探測器模型

在用神經(jīng)網(wǎng)絡(luò)進(jìn)行解譜計(jì)算時(shí)，根據(jù)訓(xùn)練數(shù)據(jù)來源的不同，大體存在兩種訓(xùn)練方法：一種是將標(biāo)準(zhǔn)譜和由蒙特卡羅（Monte-Carlo, MC）模擬得到的脈沖幅度譜作為訓(xùn)練數(shù)據(jù)[8-9]；另一種是將探測器對入射粒子的單能響應(yīng)函數(shù)作為訓(xùn)練數(shù)據(jù)[10-12]。由于ISO 4037—1國際標(biāo)準(zhǔn)中，低能X射線參考譜的數(shù)量較少，不利于神經(jīng)網(wǎng)絡(luò)的訓(xùn)練。且參考譜的形狀與X射線照射裝置的參數(shù)有關(guān)，使得由低能X射線參考譜訓(xùn)練完成的神經(jīng)網(wǎng)絡(luò)不具有普適性。因此，本次研究將PIPS探測器對單能光子的響應(yīng)函數(shù)作為神經(jīng)網(wǎng)絡(luò)的訓(xùn)練數(shù)據(jù)。

使用MCNP5[16]計(jì)算PIPS探測器對單能入射光子的響應(yīng)函數(shù)。此時(shí)，需要在MC程序中構(gòu)建與實(shí)際PIPS探測器的結(jié)構(gòu)尺寸一致的探測器MC模型。因此，本次研究利用計(jì)算機(jī)斷層掃描（computed tomography，CT）技術(shù)得到了PIPS探測器內(nèi)部的結(jié)構(gòu)與尺寸。PIPS探測器的CT掃描成像如圖1（a）所示。PIPS探測器內(nèi)各部件的材料和尺寸見表1。參考表1中探測器的內(nèi)部尺寸和組成材料，在MCNP5中建立PIPS探測器MC模型，如圖1（b）所示。

圖 1 PIPS探測器CT掃描圖像及MC模型

表 1 PIPS探測器CT掃描圖中各部件的材料與尺寸

1.2.2 實(shí)驗(yàn)效率刻度

探測器的探測效率有多種定義，對于X，γ譜儀，常用到的是源峰探測效率。其表示為對于某種能量的入射光子，測量得到的全能峰計(jì)數(shù)率與放射源每秒發(fā)出的該能量的光子數(shù)之比，具體公式為：

式中：N——全能峰面積；

C——放射源經(jīng)過時(shí)間修正后的活度，Bq；

t——測量時(shí)間，s；

f——放射源的特征X射線的發(fā)射概率。

為了驗(yàn)證PIPS探測器的MC模型是否準(zhǔn)確可靠，需要通過實(shí)驗(yàn)對PIPS探測器的效率進(jìn)行刻度，并與MC效率刻度結(jié)果相比較。實(shí)驗(yàn)中使用了一系列能量范圍較寬、活度已知的標(biāo)準(zhǔn)源（具體參數(shù)如表2所示），以及CANBERRA公司生產(chǎn)的SXD15C-150-500型 PIPS探測器（對于54Mn-Kα 5.9 keV特征X射線，其分辨率為145 eV）、DSA-1000型多道脈沖幅度分析器和GENIE2000能譜分析軟件。其中，這些放射源均通過發(fā)生軌道電子俘獲效應(yīng)，放出能量在1～50 keV能量范圍內(nèi)的特征X射線，各放射源的活度由國防科技工業(yè)電離輻射一級計(jì)量機(jī)構(gòu)標(biāo)準(zhǔn)實(shí)驗(yàn)室測定。表2中各放射源特征X射線的發(fā)射概率均取自美國國家核數(shù)據(jù)中心官網(wǎng)(https://www.nndc.bnl.gov/nudat2/)。

表 2 實(shí)驗(yàn)效率刻度時(shí)使用的放射源

PIPS探測器的實(shí)驗(yàn)效率刻度方法為：將放射源放置在位于PIPS探測器軸線上的支架上，并測量放射源與鈹窗的距離。接通探測器的電源，將測量系統(tǒng)預(yù)熱30 min以上。之后在GENIE2000軟件中，將測量時(shí)間設(shè)置為86 400 s以上，目的是使特征峰計(jì)數(shù)面積的統(tǒng)計(jì)不確定度小于1%。然后依次測量得到表2中各放射源的脈沖幅度譜。待測量完全部放射源的能譜后，在GENIE2000中的全能峰處插入感興趣區(qū)，計(jì)算全能峰的面積。然后根據(jù)全能峰面積N、修正后的放射源活度C、特征X射線的發(fā)射概率f和測量時(shí)間t，使用式（2）計(jì)算不同特征X射線能量下的源峰探測效率η，計(jì)算結(jié)果見圖2。

圖 2 實(shí)驗(yàn)效率和MC效率的對比

1.2.3 能譜展寬

由于實(shí)際測量時(shí)存在統(tǒng)計(jì)漲落和探測器具有固有分辨率，使得特征X射線的全能峰近似為高斯分布。為了能夠?qū)C計(jì)算的單能光子的脈沖幅度譜與實(shí)驗(yàn)脈沖幅度譜進(jìn)行比較，需要在MCNP5輸入文件中設(shè)置FTn卡的GEB選項(xiàng)，對模擬脈沖幅度譜進(jìn)行高斯展寬。其中GEB選項(xiàng)中的a、b和c參數(shù)由最小二乘法非線性擬合得到。擬合方法為：在GENIE2000中找到并記錄各放射源全能峰的能量和半高寬，然后再利用能量與半高寬的關(guān)系進(jìn)行最小二乘法非線性擬合，得到關(guān)系式中的參數(shù)a、b、c。擬合時(shí)使用的公式為[16]：

式中：FWHM——半高寬，MeV；

E——粒子的能量，MeV；

a、b、c——需要擬合的參數(shù)。

通過擬合得到：a=2.97×10-5，b=1.61×10-3，c=-15.02，擬合相關(guān)系數(shù)r2=0.955。使用上述參數(shù)模擬計(jì)算57Co放射源的脈沖幅度譜，并與實(shí)驗(yàn)?zāi)茏V進(jìn)行比較，結(jié)果如圖3所示。

圖 3 MC模擬脈沖幅度譜與實(shí)驗(yàn)脈沖幅度譜的對比

1.2.4 響應(yīng)函數(shù)計(jì)算

響應(yīng)函數(shù)指的是單能入射粒子在探測器中產(chǎn)生某一能量脈沖幅度的概率大小。利用建立好的PIPS探測器MC模型，使用MCNP5計(jì)算PIPS探測器對不同單能光子的響應(yīng)函數(shù)。入射光子的能量設(shè)置為5～30 keV，能量間隔為0.2 keV。計(jì)算結(jié)果為高斯展寬后的具有0.1 keV分辨率的脈沖幅度譜。計(jì)算時(shí)運(yùn)行的粒子數(shù)為1×108，在工業(yè)計(jì)算機(jī)（處理器：英特爾i5-7200U；4核；2.5 GHz）上完成上述所有能量的單能光子響應(yīng)函數(shù)的并行計(jì)算需要花費(fèi)2 d左右的時(shí)間。

1.3 神經(jīng)網(wǎng)絡(luò)的訓(xùn)練與測試

神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)一般包括輸入層、輸出層和隱藏層。對于全連接網(wǎng)絡(luò)，每一層都由神經(jīng)元組成，各層間的神經(jīng)元一一相連。本次研究使用Tensorflow深度學(xué)習(xí)框架建立了無隱藏層的單層神經(jīng)網(wǎng)絡(luò)，并在輸出層中使用線性激活函數(shù)。由于訓(xùn)練數(shù)據(jù)的能量范圍為5～30 keV，分辨率為0.1 keV，因此輸入層和輸出層中的神經(jīng)元個(gè)數(shù)均設(shè)置為251。

使用Tensorflow（V1.14.0）中的反向傳播算法分批次訓(xùn)練單層神經(jīng)網(wǎng)絡(luò)。在訓(xùn)練數(shù)據(jù)集中，輸入數(shù)據(jù)為PIPS探測器的響應(yīng)函數(shù)，標(biāo)簽數(shù)據(jù)為與響應(yīng)函數(shù)對應(yīng)的單能光子譜。在訓(xùn)練過程中，神經(jīng)網(wǎng)絡(luò)的輸出結(jié)果為響應(yīng)函數(shù)所對應(yīng)的單能光子譜的預(yù)測數(shù)據(jù)。為了使輸入數(shù)據(jù)和標(biāo)簽數(shù)據(jù)具有相同的數(shù)量級，需要將響應(yīng)函數(shù)的每個(gè)能量箱內(nèi)計(jì)數(shù)除以所有能量箱內(nèi)的總計(jì)數(shù)。此外，在訓(xùn)練時(shí)使用可變學(xué)習(xí)率，以提高訓(xùn)練的速度。對訓(xùn)練完成后的神經(jīng)網(wǎng)絡(luò)，使用由響應(yīng)函數(shù)制作的單峰（隨機(jī)能量點(diǎn)）和多峰（10 keV、15 keV、20 keV和25 keV）脈沖幅度譜對神經(jīng)網(wǎng)絡(luò)進(jìn)行測試，測試結(jié)果如圖4所示。圖4（a）為當(dāng)輸入數(shù)據(jù)為隨機(jī)選擇的一個(gè)響應(yīng)函數(shù)時(shí)，輸出單峰預(yù)測數(shù)據(jù)與標(biāo)簽數(shù)據(jù)的比較；圖4（b）為當(dāng)輸入數(shù)據(jù)為10 keV、15 keV、20 keV和25 keV 4個(gè)響應(yīng)函數(shù)時(shí)，輸出多峰預(yù)測數(shù)據(jù)與標(biāo)簽數(shù)據(jù)的比較。

圖 4 單峰和多峰神經(jīng)網(wǎng)絡(luò)測試結(jié)果

2 脈沖幅度譜的實(shí)驗(yàn)測量與解譜

2.1 脈沖幅度譜的實(shí)驗(yàn)測量

首先將PIPS探測器放置在X光機(jī)的射束軸線上，探測器入射窗與焦點(diǎn)之間的距離為1 m。并在探測器前放置鉛準(zhǔn)直器，以減小探測器的死時(shí)間。為了產(chǎn)生低能X射線輻射質(zhì)，需要根據(jù)ISO 4037—1標(biāo)準(zhǔn)在X光機(jī)前放置合適厚度和材料的過濾片，并設(shè)置與輻射質(zhì)相關(guān)的管電壓。之后用PIPS探測器分別測量N10～N30和L10～L30輻射質(zhì)的脈沖幅度譜，測量時(shí)間均為300 s。

2.2 神經(jīng)網(wǎng)絡(luò)解譜與GRV_MC33解譜結(jié)果比較

分別使用訓(xùn)練好的單層神經(jīng)網(wǎng)絡(luò)和GRV_MC33程序?qū)y量脈沖幅度譜進(jìn)行解譜。其中，GRV_MC33解譜程序所使用的響應(yīng)函數(shù)文件、脈沖幅度譜文件和初始譜文件分別由PIPS探測器對單能光子的響應(yīng)函數(shù)、低能X射線脈沖幅度譜和PTB參考注量譜組成。最終使用上述兩種方法計(jì)算得到了N10～N30和L10～L30輻射質(zhì)的低能X射線注量譜，結(jié)果如圖5所示。從圖中可以發(fā)現(xiàn)，除N25和N30兩個(gè)輻射質(zhì)外，二者解譜結(jié)果較為相符。由于探測器MC模型的尺寸和MC模擬過程中所使用的物理模型均會對響應(yīng)函數(shù)的計(jì)算結(jié)果引入不確定度。并且在使用GRV_MC33程序時(shí)需要設(shè)置初始能譜，初始能譜的形狀影響了該程序的解譜結(jié)果。因此上述兩個(gè)原因使得二者解譜結(jié)果之間存在一定差異。

圖 5 神經(jīng)網(wǎng)絡(luò)算法與GRV_MC33程序解譜結(jié)果比較

最終將由Tensorflow訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)移植到單板微型計(jì)算機(jī)（品牌：Raspberry Pi樹莓派，型號：Model 3B）中。經(jīng)測試發(fā)現(xiàn)，僅需要1.2 s的時(shí)間，即可實(shí)現(xiàn)對低能X射線脈沖幅度譜的解譜計(jì)算。

3 結(jié)束語

本次研究根據(jù)PIPS探測器的CT掃描圖像，在MCNP5中建立了該探測器的MC模型。通過實(shí)驗(yàn)效率刻度、MC效率刻度和能譜展寬對PIPS探測器模型進(jìn)行驗(yàn)證。結(jié)果顯示，本次實(shí)驗(yàn)和MC效率刻度結(jié)果的差異在不確定度范圍內(nèi)可以忽略。并且57Co放射源的實(shí)驗(yàn)和MC能譜展寬結(jié)果較為相符，驗(yàn)證了該探測器模型較為準(zhǔn)確。之后計(jì)算了PIPS探測器對單能光子（5～30 keV）的響應(yīng)函數(shù)，并將其作為神經(jīng)網(wǎng)絡(luò)的訓(xùn)練數(shù)據(jù)。

使用Tensorflow深度學(xué)習(xí)框架搭建并訓(xùn)練單層線性神經(jīng)網(wǎng)絡(luò)。針對由PIPS探測器測量得到的N10～N30和L10～L30輻射質(zhì)的X射線脈沖幅度譜，使用神經(jīng)網(wǎng)絡(luò)和GRV_MC33程序分別對其進(jìn)行解譜。結(jié)果顯示，除N25和N30輻射質(zhì)外，單層神經(jīng)網(wǎng)絡(luò)和GRV_MC33程序的解譜結(jié)果較為相符。造成N25和N30輻射質(zhì)解譜結(jié)果差異的原因可能源于探測器響應(yīng)函數(shù)的不確定度以及GRV_MC33程序的解譜結(jié)果依賴于初始能譜的形狀。為了準(zhǔn)確得知造成該差異的原因和減小解譜結(jié)果之間的差異，還需后續(xù)進(jìn)一步的研究。此外，該單層神經(jīng)網(wǎng)絡(luò)被移植到單板微型計(jì)算機(jī)中，僅需要1.2 s的時(shí)間，即可實(shí)現(xiàn)對低能X射線脈沖幅度譜的解譜計(jì)算。本次研究驗(yàn)證了使用神經(jīng)網(wǎng)絡(luò)算法實(shí)現(xiàn)對低能過濾X射線脈沖幅度譜解譜的可行性。經(jīng)訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)模型可以被移植到單板微型計(jì)算機(jī)或FPGA芯片中，幫助校準(zhǔn)實(shí)驗(yàn)室實(shí)現(xiàn)對低能X射線脈沖幅度譜的快速解譜。