Deep learning for gamma-spectrometry
Candidature avant le
30/09/2024
Durée
6 mois
Poursuite possible en thèse
oui
Contact
BOBIN JÉRÔME
+33 1 69 08 75 91
Résumé/Summary
L'objectif est de développer des méthodes de deep learning pour le démélange de spectres en spectrométrie gamma.
This internship aims at developing deep learning methods for spectral unmixing in gamm-ray spectrometry.
Sujet détaillé/Full description
DESCRIPTION ET PROBLEMATIQUE
La spectrométrie gamma est une technique classique utilisée pour identifier et quantifier les radionucléides dans de nombreux domaines d'applications nucléaires (environnement, industrie, métrologie, trafic illicite, etc.).
Un spectre observé y est constitué de M canaux correspondant à des intervalles d'énergie déposés dans un détecteur sensible aux photons ? (scintillateur ou semi-conducteur). Le comptage dans chaque canal représente le nombre d'événements dans un intervalle d'énergie donné. Pour chaque radionucléide, il existe un spectre caractéristique appelé signature spectrale correspondant à la réponse du détecteur.
Soit X une matrice dont chaque colonne est la signature spectrale normalisée de chaque radionucléide. Le spectre observé suit la distribution de Poisson de Xa :
La spectrométrie gamma est une technique classique utilisée pour identifier et quantifier les radionucléides dans de nombreux domaines d'applications nucléaires (environnement, industrie, métrologie, trafic illicite, etc.).
Un spectre observé y est constitué de M canaux correspondant à des intervalles d'énergie déposés dans un détecteur sensible aux photons ? (scintillateur ou semi-conducteur). Le comptage dans chaque canal représente le nombre d'événements dans un intervalle d'énergie donné. Pour chaque radionucléide, il existe un spectre caractéristique appelé signature spectrale correspondant à la réponse du détecteur.
Soit X une matrice dont chaque colonne est la signature spectrale normalisée de chaque radionucléide. Le spectre observé suit la distribution de Poisson de Xa :
DESCRIPTION AND PROBLEM
Gamma-ray spectrometry is a classical technique used to identify and quantify radionuclides in a wide range of nuclear applications (environment, industry, metrology, illicit trafficking, etc.).
An observed spectrum is made up of M channels corresponding to energy intervals deposited in a photon-sensitive detector ? (scintillator or semiconductor). The count in each channel represents the number of events in a given energy interval. For each radionuclide, there is a characteristic spectrum called the spectral signature, corresponding to the detector response.
Let X be a matrix, each column of which is the normalized spectral signature of each radionuclide. The observed spectrum follows the Poisson distribution of Xa:
Gamma-ray spectrometry is a classical technique used to identify and quantify radionuclides in a wide range of nuclear applications (environment, industry, metrology, illicit trafficking, etc.).
An observed spectrum is made up of M channels corresponding to energy intervals deposited in a photon-sensitive detector ? (scintillator or semiconductor). The count in each channel represents the number of events in a given energy interval. For each radionuclide, there is a characteristic spectrum called the spectral signature, corresponding to the detector response.
Let X be a matrix, each column of which is the normalized spectral signature of each radionuclide. The observed spectrum follows the Poisson distribution of Xa:
Mots clés/Keywords
Traitement du signal, Machine learning, Physique nucléaire
Signal processing, Machine learning, Nuclear physics
Compétences/Skills
Deep learning, spectral unmixing
Deep learning, spectral unmixing
Logiciels
Python, pytorch
