Caractérisation en flux de signaux radiologiques par apprentissage automatique embarqué

Characterization of radioactivity signals by embedded machine learning

• Auteur / Autrice : Ali Hachem
• Direction : Frédérick Carrel, Gwenolé Corre, Yoann Moline
• Type : Thèse de doctorat
• Discipline(s) : Physique nucléaire
• Date : Soutenance le 11/03/2024
• Etablissement(s) : université Paris-Saclay
• Ecole(s) doctorale(s) : École doctorale Particules, Hadrons, Énergie et Noyau : Instrumentation, Imagerie, Cosmos et Simulat
• Partenaire(s) de recherche : Laboratoire : Laboratoire d'intégration des systèmes et des technologies (Gif-sur-Yvette, Essonne ; 2001-....)
• Partenaire(s) de recherche : référent : Faculté des sciences d'Orsay
• Partenaire(s) de recherche : graduate school : Université Paris-Saclay. Graduate School Physique (2020-....)
• Jury : Président / Présidente : Nicolas Gac
• Jury : Examinateurs / Examinatrices : Michel Paindavoine, Antonin Vacheret, Marie-Laure Gallin-Martel, Jérôme Gauthier, Olivier Limousin
• Jury : Rapporteurs / Rapporteuses : Michel Paindavoine, Antonin Vacheret

Mots clés

Mots clés contrôlés

Traitement du signal

Physique nucléaire -- Instruments

Apprentissage automatique

Mots clés libres

Apprentissage automatique

Système embarqué

Signaux radioactives

Machine learning

Embedded system

Radioactivity signal

Résumé

Dans diverses applications, la classification des signaux de détecteurs de rayonnements revêt une importance cruciale. Cette thèse se concentre sur un cas d'utilisation spécifique et complexe, à savoir la discrimination des neutrons et des rayonnements gamma dans un scintillateur plastique organique, en utilisant l'apprentissage automatique embarqué. Les solutions explorées dans cette étude pourraient potentiellement être étendues à la discrimination d'autres types de radiations dans des détecteurs différents. Nous présentons tout d'abord une méthode pour créer des ensembles de données neutron-gamma étiquetés, acquis par un scintillateur organique. Ce point est crucial car toutes les sources de neutrons émettent des rayonnements gamma. Les modèles Multilayer Perceptron (MLP) et 1D Convolution Neural Network (CNN) supervisés sont entraînés et évalués avec les signaux bruts préparés en utilisant la méthode d'étiquetage. Le modèle 1D CNN surpasse le modèle MLP, qui, à son tour, surpasse l'état de l'art, en particulier pour les radiations à faible énergie ([100, 250] keVee). Une deuxième approche d'apprentissage basée sur l'extraction d'attributs a été explorée pour faire la discrimination, permettant à un signal d'être représenté par une dimension indépendante de la chaîne d'acquisition, facilitant ainsi l'utilisation de méthodes d'adaptation non supervisées. Les résultats montrent que les modèles supervisés sur les signaux bruts sont plus performants que l'approche basée sur les attributs extraits. Dans cette étude, l'attribut de "Form Factor" est exploré en tant que nouvelle méthode de discrimination, offrant des performances similaires à l'algorithme de l'état de l'art sans nécessiter d'ajustement de paramètres. Enfin, nous avons implémenté les modèles d'apprentissage proposés et l'algorithme de l'état de l'art sur Field Programmable Gate Array (FPGA), pour une discrimination en temps réel, en respectant une latence inférieure à la durée du signal. En prenant en compte la latence et la consommation de ressources comme une référence de comparaison, l'order des méthodes s'inverse.

In various applications, the classification of radiation detector signals is of crucial importance. This thesis focuses on a specific and complex use case, namely the discrimination of neutrons and gamma-rays in an organic plastic scintillator using integrated machine learning (ML). The solutions explored in this study could potentially be extended to the discrimination of other types of radiations in different detectors. We present a method for creating labeled neutron-gamma datasets acquired through an organic scintillator. This is critical as all neutron sources emit gamma-rays. Supervised Multilayer Perceptron (MLP) and 1D Convolution Neural (CNN) models are trained and evaluated with the prepared dataset using the labeling method. The 1D CNN model outperforms the MLP model, which, in turn, surpasses the state-of-the-art, especially for low-energy radiations ([100, 250] keVee). A second ML approach based on features extraction was explored for discrimination, allowing a signal to be represented by a dimension independent of the acquisition chain, thus facilitating the use of unsupervised adaptation methods. The results indicate that supervised models on raw signals perform better than the attribute-based approach. In this study, the "Form Factor" attribute is explored as a novel discrimination method, offering performance similar to the state-of-the-art algorithm without requiring parameter tuning. Finally, we implemented the proposed ML models and state-of-art algorithm on Field Programmable Gate Array (FPGA) for a discrimination on the fly, while maintaining latency below less than the signal duration. Considering latency and resource consumption as a basis for comparison, the order of the methods is reversed.