탈륨(Thallium) 활성화된 요오드화나트륨 섬광체(Thallium-activated sodium iodide scintillation, NaI(Tl))와 고순도 게르마늄 반도체(High-Purity Germanium semiconductor, HPGe) 검출기는 감마선 분광에 흔히 사용되는 두 가지 장치이다. NaI(Tl) 검출기는 비용 효율성, 검출 효율, 제작 용이성 때문에 선호되는 반면, HPGe 검출기는 해상도가 우수하지만 온도 운용에 대한 어려움이 있으며 고가라는 한계가 있다. 본 논문은 감마 스펙트럼을 HPGe 스펙트럼으로 변환함으로써 NaI(Tl) 검출기의 성능을 향상시키기 위해, 기계 학습 알고리즘—특히 K-Nearest Neighbors(KNN)와 Support Vector Regression에 기반한 Multi-Channel Output Regression(MCO-SVR)—의 적용을 조사한다. 이 모델은 제한된 방사성동위원소 라이브러리로부터 생성된 데이터셋을 사용하여 학습되었으며, 다양한 범위의 측정된 실험 시험 데이터에서 우수한 성능을 보였다. 평가는 저계수 스펙트럼 및 배경 효과와 같은 여러 시나리오를 포함하였다. KNN 모델은 최적의 성능을 나타내었고, 맨해튼 거리(Manhattan distance) 지표를 사용하여 98.69%의 정확도를 달성하였다. 반면 MCO-SVR 모델은 직접 접근(direct) 및 연쇄(chained) 접근을 모두 사용하고 커널 유형에 따라 서로 다른 결과를 보였으며, 직접 접근에서의 다항(polynomial) 커널은 97.45%의 정확도를 산출하였다. 전반적으로, 본 결과는 기계 학습 알고리즘이 NaI(Tl) 검출기의 성능을 개선하고 핵 보안 분야의 다양한 영역에서 그 적용을 확장할 잠재력이 있음을 시사한다. 그래픽 초록(Graphical Abstract)

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.