Predicting HPGe spectra using Artificial Neural Networks

Abstract

This topic investigates the modern application of artificial intelligence (AI) to gamma spectra analysis. It involves developing an artificial neural network (ANN) model capable of predicting spectra obtained by an HPGe detector from experimental spectra of a NaI(Tl) detector with better resolution comparable to that of the high-purity germanium detector. This thesis provides a brief introduction to AI/ML/DL, as well as the application of ML to gamma radiation analysis. It also explains the use of Python and its ability to leverage ANNs to improve the resolution of HPGe prediction. The predicted HPGe spectrum is finer than that of NaI(Tl) due to the higher resolution of HPGe compared to NaI(Tl). Training is obtained using experimental HPGe and NaI(Tl) detector spectra. The result is impressive despite differences in prediction accuracy between the different radioactive elements used and code hyperparameters, due to the limited capabilities of the hardware used. The second code concerns CNN prediction of the HPGe spectrum using only files obtained from the 22Na and 60Co NaI(Tl) detector. The result is satisfactory despite the limitations of AI/ML in terms of learning and prediction. This thesis aims to develop an ANN model capable of converting NaI(Tl) spectra into HPGe spectra and directly predicting the HPGe spectrum from NaI(Tl) alone, while reducing losses and improving learning efficiency ==================================================================================================== Ce sujet étudie l'application moderne de l'intelligence artificielle (IA) à l'analyse des spectres gamma. Il s'agit de développer un modèle de réseaux de neurones artificiels (RNA) capable de prédire des spectres obtenus par un détecteur HPGe à partir de spectres expérimentaux d’un détecteur NaI(Tl) avec une meilleure résolution comparable à celle du détecteur au germanium de haute pureté. Cette thèse propose une brève introduction à l'IA/ML/DL, ainsi qu'à l'application du ML à l'analyse des rayonnements gamma. Elle explique également l'utilisation de Python et sa capacité à exploiter les RNA pour améliorer la résolution de la prédiction HPGe. Le spectre HPGe prédit est plus fin que celui du NaI(Tl) en raison de la résolution plus élevée du HPGe par rapport au NaI(Tl). L’apprentissage est obtenu par des spectres de détecteur HPGe et NaI(Tl) expérimentaux. Le résultat est impressionnant malgré des différences de précision de prédiction entre les différents éléments radioactifs utilisés et des hyperparamètres des codes, les capacités du matériel utilisé étant limitées. Le deuxième code concerne la prédiction CNN du spectre HPGe en utilisant uniquement des fichiers obtenus à partir du détecteur NaI(Tl) de 22Na et 60Co. Le résultat est satisfaisant malgré les limites de l'IA/ML en matière d'apprentissage et de prédictions. Cette thèse vise à développer un modèle ANN capable de convertir les spectres NaI(Tl) en spectres HPGe et de prédire directement le spectre HPGe à partir de NaI(Tl) seul, tout en réduisant les pertes et en améliorant l'efficacité de l'apprentissage.