Hybrid Monte Carlo Machine Learning Framework for HPGe Efficiency Curve Prediction

Abstract

This thesis presents a hybrid approach combining Monte Carlo simulation and machine learning to predict the full-energy peak efficiency of an HPGe detector. Experimental data from Marinelli and point source configurations were used alongside OpenMC simulations. Two models were developed: a deep neural network for generalization and a polynomial regression for simplicity. Results showed good alignment between predicted and true efficiencies. The method offers a practical, scalable alternative to traditional calibration techniques in gamma-ray spectrometry ==================================================================================================== Ce travail propose une approche hybride combinant la simulation Monte Carlo et l’apprentissage automatique pour prédire l’efficacité d’un détecteur HPGe. Des données expérimentales des configurations de source ponctuelle et de type Marinelli ont été utilisées avec les simulations OpenMC. Deux modèles ont été développés : un réseau neuronal profond pour la généralisation et une régression polynomiale pour la simplicité. Les résultats montrent une bonne concordance avec les données réelles, offrant une alternative efficace aux méthodes classiques.