התפקיד הגדל של הקצינים הגרעיניים ברחבי תעשיות

גלאי גרעין משמשים כעמוד השדרה של מדידות קריטיות בתחומים החל הדמיה רפואית ניטור זיהום סביבתי, אבטחה לאומית ומחקר פיזיקה בסיסי. ברפואה גרעינית, מצלמות גמא וסורקים PET מסתמכים על זיהוי מדויק של קרני גמא כדי ליצור אותות ניטור סביבתית, שימוש בתחנות ניטור סביבתית כדי לעקוב אחר תוצאות רדיו אוטומטיות ליד מתקני קרינה גרעינית.

האתגר של רעש במערכות זיהוי גרעיני

(ב) בגלי גלאי גרעין עולה ממספר מקורות, כל אחד מהם בעל תכונות סטטיסטיות נפרדות (FLT:0 מחסניות אלקטרו-אורוניות) שמקורן בפלט ואלקטרוניקה לקריאה, המציג תנודות פס רחבות שיכולות לטשטש דומפטציות אנרגיה נמוכות (FLT):2 חומרי רעש אטומיים בלתי-צפויים של LTFLT 3 (רעש ג'ון-N) נמצאים בהתנגדות גבוהה יותר ויותר מקרינה קוסמית:

שיטות הפחתה רעש מסורתיות, כגון מסננים אנלוגיים פשוטים (למשל, עיצוב RC) או מסננים דיגיטליים קבועים (למשל, העברת מסננים), לעתים קרובות אינם מספיקים.הם יכולים לדכא רעש בעלות של עיוות צורת הדופק, צמצום רזולוציה אנרגיה, או הצגת זמן מת. כמו טכנולוגיה מתקדמת לעבר שיעורי ספירה גבוהים יותר ורזולוציה אנרגיה דקירה, המגבלות של קונבנציונאליות להפוך לסינון מתוחכמות יותר, כלומר, ממולקולות מורכבות יותר, ממולקולות של זמן, ממולקולות של אלגוריתמים, יכולות לסינון זמן, ממולקולות של אלגוריתמים, ממולקולות של אלגוריתמים של אלגוריתמים, ממולקולות של אלגוריתמים, מכוונות לסינון יותר, ממולקולות של אלגוריתמים של אלגוריתמים של אלגוריתמים של אלגוריתמים, או מאפקטיביות יותר, כמו גם אלגוריתמים מתוחכמות יותר, כמו גם מאפקטים יותר, מאפקטים יותר, מכוונות יותר, מאפקטים יותר, מאפקטים יותר, מאפקטים של אלגוריתמים של אלגוריתמים של אלגוריתמים של אלגוריתמים של אלגוריתמים של אלגוריתמים של אלגוריתמים של אלגוריתמים של אלגוריתמים של אלגוריתמים של זמן מתוחכמות יותר, או

עקרונות ליבה של עיבוד אותות מודרני עבור Noise Reduction

שלוש משפחות רחבות של אלגוריתמים הוכיחו יעילות במיוחד עבור הפחתה של רעש בגלאי גרעין:0Gate:0wavelet מבוסס סינון מסנן 1,FLT:2adaptive סינון מסנן 3; ו-FLT:4machine Learning גישות FLT:5 שיטות אלה לחלוק מטרה משותפת: לשמר את השלמות של אות הריבית (השורה החדה ושפל של גלאימות) ולא דומה לרעש, כפי שהוא דורש, או לרעש, אם הם אינם דומים לרעשים, או לרעשים, או לרעשים, או לרעשים, ולא לרעשים, ולא לרעשים, אלא אם הם אינם מתאימים, אלא אם הם אינם מתאימים לרעשים, אלא לרעשים, ולא לרעשים.

הפחתה יעילה של רעש אינה רק על החלקה של הגלום.בגלאים גרעיניים, האמפלוט של הדופק הוא פרופורציה ישירה לאנרגיה של החלקיק מזוהה או פוטון.כל אלגוריתם שמשנה את הדופק amplitude או תזמון יפחית את רזולוציית האנרגיה או הדיוק התזמון, לכן אלגוריתמים מודרניים נועדו להיות FLT:0signal-preal-preal-preal-preal-Fal Reduction: 1: בעוד הם יסלקוריד את הדוגמא הטובה ביותר, אם כן, אם כן, יתאים את האלגוריתם (למשל, שינוי זמן), ומשתנים יותר, שינוי אלגוריתמים), ויתקיפה, גם את האלגוריתם) כדי לשנות את האלגוריתם (למשל, כדי לשנות את האלגוריתם) כדי לשנות את האלגוריתם).

המונחים: a time-Frequency Access

ניתוח Wavelet הפך אבן הפינה של ירידה רעש מתקדם אותות גרעיניים.בניגוד ל- Fourier להפוך, אשר מסמן אות לגלי חטא ללא הפסקה, הגלול הופך משתמש בגלי גלות מקומיות - גלפורציה פיננסית שניתן לדרג ולהחליף.זה הופך את הגלים המתאימים באופן אידיאלי לניתוח אותות טרנספורמטיביים, לא-מסוגיים כגון גלאיים, שיש להם משך חד וקבוע.

כיצד פועל גללט Denoising

הליך הגלים האופייני לפירוק הגלים הוא שלושה שלבים:

  1. (FLT:0)Decomposition:FLT:1; האות הרעוע מועבר דרך סדרה של מסננים גבוהים ונמוכים, ומייצרת מערך של אפקטיביות של חיזוי (תכונות אקראז) ואפקטים מפורטים (תכונות Fine) בקנה מידה מרובים (דרגות).
  2. (ב) [15] , ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇
  3. (ב) ⁇ :0) ,[[1924]], [[1924]]]], [[1924]]]], [[1924]]]]]], [[1924]]]]]], [[1924]]]]]]

הבחירה של בסיס הגל (למשל, Daubechies, Symlet, Coiflet) ואת עומק decomposition חייב להיות מותאם בצורת הדופק של הגלאי. לדוגמה, Daubechies גלונים של סדר 4 או 6 משמשים לעתים קרובות עבור הדופק gamma-ray כי הם מתאימים את צורת הדופק בצורה סבירה, המוביל לייצוגים ספאריים שבו האנרגיה מרוכזת במספר רב של מזהמים.

יתרונות ומגבלות

גליל דה-נינג מצטיין בהסרת רעש לבן ורעש מתואם ללא semearing הקצוות החדים של הדופק.זה יכול להפריד דופקים חופפים במטוס זמן טוב יותר מאשר שיטות מבוסס Fourier. עם זאת, הטכניקה מיושמת באופן חישובי, במיוחד עבור ניתוח בזמן אמת-זמן, הפירוק והשיקום כרוך פעולות מרובות מהפכת-הטווח, והבחירה יכולה להיות רגישה לדיכאון סטטיסטיקות הסתגלות מוצלחות (ה) למרות הסיכון מבוסס-DMT).

פילטר: דינמי רעש מדכא

(המסננים הסתגלותיים מתאמת את האפקטיביות שלהם בתגובה לאות הנכנס, מה שהופך אותם כלים חזקים כאשר המאפיינים רעש משתנים עם הזמן.בגלאי גרעין, רעש יכול להשתנות עקב סחף טמפרטורה, שינויים בשיעור הספירה, או נוכחות של התערבות תקופתית (למשל, 50/60 הרץ מקווי חשמל) שני אלגוריתמים בשימוש נרחב הם ה-FLT:0Least מתכוונת (Scurs) ו-F2ts) פילטרים (R.

ריבועים (LMS)

אלגוריתם ה-MBA הוא פשוט וזול חישובי.זה מעדכן את הפילטרים בכל פעם צעד על סמך השגיאה בין האות הרצוי (לעתים קרובות הפניה נקייה) ואת הפלט המסנן. בהקשר גלאי גרעיני, אות רעש התייחסות ניתן להשיג מגורם גלאי דימי או מ מרווח זמן מת בין הדופק.ה-ה-ה-Pynamware ואז להסתגל לביטול המרכיב העיקרי של האות, כי הוא משתמש רק אלגוריתם איטי של קידוד, אך מתכנס.

סיקור סיקור TERS LES (RLS) filter

מסנן RLS מציע התכנסות מהירה יותר על ידי צמצום תפקוד עלות במשקל לפחות מרובע.זה מורכב יותר מ-PSD (O(N2) לדגימה לעומת O(N) אבל יכול לתכנס בתוך עשרות דגימות, מה שהופך אותו מתאים לסביבות רעש משתנות במהירות. RLSR מסננים כבר מוחל על gamma-ray spectroscopy כדי לדכא הפרעה סימפונית ונמוכת נמוך תוך שמירה על תפקוד יעיל של קומפונקציה, בעוד שהוא יכול להיות מנקה יעילה.

שני מסנני מערכת ההפעלה ו- RLS דורשים אות התייחסות כי הוא מתואם עם הרעש אבל לא עם הדופק הגלאי.במתקנים מעשיים רבים, התייחסות כזו זמינה - לדוגמה, תמונה נפרדת המנטרת טמפרטורה או אלמנט גלאי מוגן הרואה רק רקע. כאשר הפניה נקייה אינה אפשרית, הסתגלות אופטית טכניקות סינון (למשל, הסתגלות רעש ללא התייחסות) ניתן להשתמש בהתאמת איטי יותר של הסתגלות.

Machine Learning and Deep Learning Accesss

ההתקדמות המהירה של למידת מכונה (ML) ולמידה עמוקה (DL) פתחה דרכים חדשות להפחתה של רעש כי הם מונעים על ידי נתונים ביסודו, במקום מודלים של הרעש במפורש, אלגוריתמים של ML לומדים מיפוי של אותות רועשים כדי לנקות אותות באמצעות נתונים גדולים של דוגמאות מותאמות או על ידי ניצול שיטות לא מבוססות.

רשתות ערפיליות מהפכות (CNN) ל- Pulse Shape Discrimination

ניתן לאמן את CNN לזהות את החתימה של הדופק הגלאי האמיתי מול חפצים רעש.בהגדרה טיפוסית, קלט הוא פלח החלון של הגלום הדיגיטלי, והפלט הוא גלפור ניקוי או סיווג של האירוע כמו אות / רעש. לדוגמה, CNN יכול ללמוד לזהות דופקים כי יש את המאפיינים בזמן עלייה ושפל, דוחים רעוע על ידי הפחתת הגרסאות של הפחתת זמן גרעיני ישירות, כי הם משתמשים בגרסאות של הדבקה של ה-CNN.

Autoencoders for Unsupervised Denoising

Autoencoders הם רשתות עצביות אשר לומדות ייצוג דחוס של נתוני קלט, ולאחר מכן לשחזר אותו. Denoising autoencoders (DAEs) מאומן על ידי משחית את הקלט עם רעש ו Penalizing הרשת עבור לא לשחזר את הגרסה הנקיה.פעם אימון, DAE יכול לנקות אותות רועשים לא נראים. עבור גלאי רעש גרעיני, DAEs כבר מוחלים כדי להפחית רעש אלקטרוני ו- ערימה של נתונים לא ניתן לנקות.

רשתות ייעוץ (גנים) ומעבר

מודלים מתקדמים יותר, כולל gans מותנים, נחקרו על יצירת דופקים נקיים מציאותיים מקלטים רועשים. gans יכול לייצר פלטים כי הם בלתי ניתנים לניתוק סטטיסטית מ הדופקים אמיתיים, אבל הם דורשים הכשרה זהירה והם יקרים מבחינה חישובית. בפועל, פשוט CNN או ארכיטקטורות אוטוקודר לעתים קרובות לספק איזון טוב בין ביצועים וצריכה, במיוחד כאשר הם פרוסים על מערכות GPU אמיתי או GPU.

האתגר העיקרי לגישות ML הוא הצורך במאגרי נתונים גדולים ומזומנים.עבור גלאי גרעין, אותות התייחסות נקיים ניתן להשיג ממערך מעבדה נמוך או מסימולציה.עבר למידה – שבו רשת שהוכשרה מראש על סוג גלאי אחד הוא עדין על השני - יכול להקל על הדרישה להופעת הנתונים.בנוסף, האופי השחור של רשתות עמוקות מעלה חששות לגבי אמון ופירוש יכולת אבטחה ביישומים קריטיים כגון אבטחה גרעינית.

שיקולים מעשיים ואתגרי יישום

מעבר מפיתוח אלגוריתמי לפריסת העולם האמיתי כרוך במגבלות רבות.FLT:0 בזמן עיבוד עיבוד אמתיFLT:1 הוא לעתים קרובות חובה: צגים פורטל קרינה לא יכולים לחכות שניות כדי להחליט אם אזעקה צריכה להישמע. Algorithms חייב לרוץ בתוך הזמן בין הדופקים המתקדמים - מיקרו-שניים חד-זמניים ל-מילימטריים.

(FLT:0) Power הצריכהFLT:1) הוא גורם קריטי נוסף עבור גלאי מצופה או סוללות. FPGAs מציעים החלפה טובה בין ביצועים וכוח, בעוד עיבוד מבוסס CPU עשוי לא להיות אפשרי עבור מערכות בעלות גבוהה. חלק גלאי הגלאים עכשיו לשלב יחידות עיבוד עצבי ייעודי (NPUs) עבור לוח ML.

(FLT:0) Noise varientiabilityFLT:1 על פני גלאי, תנאי הפעלה וסביבות פירושו כי אלגוריתם יחיד אינו יכול לבצע באופן שווה בכל מקום.שיטות הסתגלות ולמידה יש יתרון כי הם יכולים להתאים או להיות מאומנים מחדש עבור פרופיל הרעש הספציפי.

(FLT:0Trade-offs בין דיוק ומהירות FIRLT:1) הם טבועה. a Autoencoder עמוק עשוי לספק את האיכות הטובה ביותר מרתיעה אבל להציג שקיפות המפחיתה את שיעור ספירה המקסימלית.conversely, מסנן פשוט של מערכת LMS פועל מהר מאוד אבל לא יכול להתמודד עם רעש לא-מחדש היטב. מעצבי מערכת חייבים את סביבת הרעש הספציפי שלהם ולבחור את האלגוריתם שעומד ברגישות השקרית הנדרשת וקצב החמוש.

כיוונים עתידיים ב- Noise Reduction for Nuclear Detectors

התחום ממשיך להתפתח במהירות.כמה כיוונים מבטיחים צפויים לעצב את הדור הבא של פתרונות לירידה ברעש:

  • (FLT:0) אלגוריתמים מהויברידיים: FLT:1ve משלב גל החסימה עם סינון מסתנן אדפטי או זיהוי הדופק מבוסס ML יכול למנף את נקודות החוזק של כל אחד.לדוגמה, לפני גל יכול להסיר רעש גבוה קידוד לפני מסנן RLS לנקות את ההתערבות של פס צר.
  • (FLT:0)Quantum-inspired שיטות: ibph:1 ; מחשוב קוונטי ואלגוריתמים מעוררי השראה קוונטית (למשל, רשתות עשרות) עשויים להציע דרכים חדשות לייצג ולהרוס אותות, אם כי אלה עדיין בשלבים מוקדמים של מחקר.
  • (FLT:0) מערכות של מערכות:03F: ⁇ :1) Detectors כי לפקח באופן קבוע על רמות הרעש שלהם ועדכונים אוטומטית מסנן או רשתות עצביות אימון מחדש יפחיתו את הצורך ב calibration ידנית.
  • (FLT:0)Edge AIIR:FLT:1 Deploying כוח נמוך, בעלי ביצועים גבוהים מאיצים ML ישירות על מודול הגלאי יאפשרו ניתוק בזמן אמת מבלי לגרוע נתונים למחשב מרכזי.
  • (FLT:0) למידה בלתי מבוקרת ותוחלת חיים: התגלות 1:1) אלגוריתמים שמתאימים לדפוסי רעש חדשים לאורך זמן מבלי לשכוח ייצוגים שנלמדו קודם לכן (שכחה קטסטרופלית) יהיו אידיאליים עבור פריסות ארוכות.

ההתקדמות הזו לא רק תשפר את הפחתת הרעש, אלא גם תאפשר עיצובים חדשים של גלאי שיכולים לפעול בסביבות מאתגרות יותר, כגון הגדרות תעשייתיות בעלות עתירה גבוהה או ניטור קרינה מבוסס חלל.

מסקנה

הפחתת רעש בגלאים גרעיניים עברה הרבה מעבר לסינון פשוט של אלגוריתמי עיבוד אותות מודרניים – גליון משנה, מסננים אדפטיים, ומודלים של למידת מכונה – כלים חזקים יותר כדי לשחזר אותות חלשים מסביבות רועשות תוך שמירה על צורת הדופק ומידע אנרגיה.כל גישה יש את החוזקות שלה ואת הפחתת הסחר, והבחירה הטובה ביותר תלויה במאפיינים הספציפיים, הרעשים והמגבלות התפעוליות, ככל שהחומרה תמשיך לשפר את האלגוריתמים היעילים האלה, תהפוך לשילוב היעיל יותר של שיטות אבטחה יעילות יותר, לטכנולוגיות הגרעיניות יותר, ולהוביל יותר, כך, יהיו יעילות יותר, ולהוביל יותר, כך, כך, כך, כך, כך, יהיו יותר, כך, כך, כך, כך, כך, כך, כך, כך, כך, כך, יהיו יותר, ולהוביל את המערכות הגרעיניות יותר, כך, כך, כך, כך, כך, יהיו יותר, כך, יהיו יותר, יעיל יותר, כך, כך, יעיל יותר, ולהוביל את המערכות הגרעיניות יותר, כך, כך, כך, יהיו יותר, כך, כך, יהיו יותר, יהיו יותר, כך, כך, כך, הן שיטות אבטחה יעילות יותר, הן יעילות יותר, הן יעילות יותר, ולהוביל יותר, ו