Daily Arxiv

전 세계에서 발간되는 인공지능 관련 논문을 정리하는 페이지 입니다.
본 페이지는 Google Gemini를 활용해 요약 정리하며, 비영리로 운영 됩니다.
논문에 대한 저작권은 저자 및 해당 기관에 있으며, 공유 시 출처만 명기하면 됩니다.

Pulse Shape Discrimination Algorithms: Survey and Benchmark

Created by
  • Haebom

저자

Haoran Liu, Yihan Zhan, Mingzhe Liu, Yanhua Liu, Peng Li, Zhuo Zuo, Bingqi Liu, Runxi Liu

개요

본 논문은 방사선 검출에서 펄스 형태 판별(PSD) 알고리즘에 대한 포괄적인 조사 및 벤치마킹을 제시합니다. 약 60가지의 방법들을 통계적(시간 영역, 주파수 영역, 신경망 기반) 및 사전 지식(머신러닝, 딥러닝) 패러다임으로 분류합니다. 241Am-9Be 소스의 비표지 데이터 세트와 238Pu-9Be 소스의 비행시간 표지 데이터 세트의 두 가지 표준화된 데이터 세트에서 모든 알고리즘을 구현하고 평가하며, 평가 지표로는 성능 지수(FOM), F1 점수, ROC-AUC 및 방법 간 상관 관계를 사용합니다. 분석 결과, 다층 퍼셉트론(MLP) 및 통계적 특징과 신경 회귀를 결합한 하이브리드 접근 방식과 같은 딥러닝 모델이 기존 방법보다 종종 성능이 우수한 것으로 나타났습니다. 아키텍처의 적합성, FOM의 한계, 대체 평가 지표 및 에너지 임계값에 따른 성능에 대해 논의합니다. 본 연구와 함께 Python 및 MATLAB의 오픈소스 툴박스와 데이터 세트를 공개하여 재현성을 높이고 PSD 연구를 발전시키고자 합니다.

시사점, 한계점

•
시사점:
◦
딥러닝 모델, 특히 MLP와 하이브리드 접근 방식이 기존의 통계적 PSD 알고리즘보다 우수한 성능을 보임을 확인.
◦
오픈소스 툴박스 및 데이터 세트 공개를 통해 PSD 연구의 재현성 및 발전에 기여.
◦
다양한 평가 지표(FOM, F1-score, ROC-AUC)를 사용하여 알고리즘 성능을 종합적으로 평가.
◦
에너지 임계값에 따른 알고리즘 성능 분석 제공.
•
한계점:
◦
FOM의 한계점을 논의하였으나, 대안 지표의 우수성에 대한 심층적인 분석 부족.
◦
사용된 데이터 세트의 제한으로 인한 일반화 가능성에 대한 검토 필요.
◦
다양한 방사선원 및 검출기 환경에 대한 알고리즘 성능 평가 부족.
👍
Made with Slashpage