Архитектура глубокого развертывания с модулем нейросетевой регуляризации многокомпонентной невязки в задаче восстановления спектров нейтронов
Автор: Акимочкина М.А., Борщев Д.C., Чижов К.А.
Журнал: Сетевое научное издание «Системный анализ в науке и образовании» @journal-sanse
Рубрика: Моделирование и анализ данных
Статья в выпуске: 2, 2026 года.
Бесплатный доступ
Восстановление спектра нейтронов по показаниям многошарового спектрометра Боннера является некорректно поставленной задачей по Адамару. Это приводит к неединственности решений и их неустойчивости при наличии в данных шумов. Предлагается подход на основе архитектуры глубокой развертки (DUN) c модулем нейросетевой регуляризации в виде MLP-блоков. Для соответствия решений физическим условиям задачи используется многокомпонентная функция потерь, содержащая слагаемые, отвечающие за среднеквадратичную и дозовую ошибки, гладкость спектра и соответствия решения показаниям детектора. Тестирование проводилось на 251 спектре из компендиума МАГАТЭ, в данные была внесена 5 % случайная ошибка. Разработанный подход демонстрирует высокую точность восстановления спектра (ошибка дозы составила 6 %) и может быть внедрен на предприятиях с дозиметрическим контролем.
Восстановление спектра нейтронов, многошаровый спектрометр Боннера, некорректно поставленная задача, глубокая развертка, глубокое обучение, нейросетевая регуляризация, анализ данных, функция потерь, МАГАТЭ, дозиметрический контроль
Короткий адрес: https://sciup.org/14135743
IDR: 14135743 | УДК: 004.852, 004.855.5, 519.6, 539.1.074.8
Deep Unrolling architecture with neural regularization module based on multi-component loss function for neutron spectrum unfolding
Neutron spectrum reconstruction from the readings of a multisphere Bonner spectrometer constitutes an ill-posed problem in the sense of Hadamard. This leads to the non-uniqueness of solutions and their instability in the presence of data noise. We propose an approach based on a Deep Unrolling Network (DUN) architecture with a neural regularization module implemented as MLP blocks. To ensure that the solutions satisfy the physical constraints of the problem, a multi-component loss function is employed, comprising terms for the mean squared error, dose error, spectral smoothness, and consistency of the solution with the detector readings. The method was tested on 251 spectra from the IAEA compendium, with a 5 % random error introduced into the data. The developed approach demonstrates high accuracy in spectrum reconstruction (the dose error was 6 %) and can be implemented at facilities requiring dosimetric monitoring.
