核輻射檢測技術至關重要
核輻射探測對核科學技術的發展至關重要。
我們知道原子中心是一個微小的核，其尺寸小至百萬分之一釐米的百萬分之一，而在這個微小的核內部，核子（中子和質子）以非常大的速度在軌道上移動，可與光速媲美。質子之間也存在強烈的庫侖排斥力。
核子之間的存在強大的核力，所以原子核是一個穩定的結合系統。核物理研究的重點便是是對這些核力的起源有基本的瞭解。通過原子核的輻射的研究和分析，科學家已經瞭解了很多有關核力和核結構的知識，這些知識對人類文明產生了非常深刻的影響。
人類在二戰時期便造出了原子彈，而此前物理學家已經發現了核裂變。核裂變的發現無疑是20世紀最重要的發現之一。核裂變的發現對社會產生的革命性影響也使各國意識到了科學的重要性，而且為科學鋪平了道路。
中子和質子不是最基本的粒子，而且具有內部結構，它們被稱為夸克。六個夸克和六個輕子構成了物質的基本組成部分。膠子介導的夸克之間產生強相互作用，光子介導的帶電粒子之間存在電磁相互作用，夸克和膠子似乎是中子和質子的最終組成部分，但由於強烈的相互作用將它們限制在核子內，因此從未孤立地發現單個夸克。
但是，有一個有趣的理論認為，即在極高的能量密度或重子密度下，夸克和膠子的熱緻密相有望將單個夸克釋放出來。目前，美國布魯克海文國家實驗室的相對論重離子對撞機正在進行實驗，以尋找單個夸克的存在。
在核能領域，輻射探測器非常重要，核輻射的探測異常重要。
核電是重要的能源。到目前為止，科學家僅通過裂變過程來利用核能，科學家也希望用磁約束聚變和慣性約束聚變過程實現聚變能。由於核電的大力發展，核安全和核廢料的處理特別受公眾的關注，地球人也不希望切爾諾貝利事故再次發生。不管是核電還是核物理研究，核輻射的探測都是超級重要的，因為這可以檢測核輻射以控制核安全，還能研究核的性質。
核輻射探測器越來越多地應用於核能發電，生命科學，環境科學，空間和等離子體研究，射線照相，地球科學和生物醫學科學等領域。所以，核輻射的研究對整個科學領域佔了舉足輕重的地位。
安檢設備如何高效安檢？
物理學家發現了一種新的晶體，用於入境安全設備和行星探測中。
美國橡樹嶺國家實驗室等正在進行晶體體和輻射檢測的研究。科學家提高晶體探測器中使用的晶體的純度和質量，提高了輻射探測傳感器的靈敏度。這種傳感器由含碘化鍶製成，在受到X射線或伽馬射線照射時發出光脈衝，所以這種晶體非常有利於檢測X射線和伽馬射線。
與入境安全設備的行業標準相比，這些晶體的光輸出電勢提高了100％。更大的光輸出電勢有助於減少用於貨物檢查和監視設備的傳感器中的錯誤。因此這種晶體可以更高效的進行安檢。不過這種晶體暫時沒有商用，科學家也在試圖讓這種輻射檢測晶體得到大規模商用，那麼安檢設備就會變得更加靈敏了。
如何檢測到核事件信號？
在美國華盛頓州里奇蘭，一臺計算機上的深度神經網絡正在處理與國家安全有關的高度複雜的技術數據。即利用計算機AI技術檢測核事件和地球波動信號。
這項研究從實驗室的淺層地下探究了難以置信的複雜數據集，科學家們在那裡可以探測到地球活動中微弱的信號。
泥土下方81英尺的實驗室中，厚厚的屏蔽層可抑制來自宇宙射線，電子設備和其它來源的信號，這使科學家能夠隔離和解密從地球上任何地方收集到的信號。所以說假如某某地方在進行核試驗，那麼這個實驗室就能檢測到，同時地球內部活動的信號也能捕捉到，即便它們很微弱。
例如，當電子的粒子從原子核中發射時，這就是放射性衰變，這個過程通過自然和人類活動不斷髮生。科學家可以監測核試驗活動中氬含量的變化，也可以監測地下水年齡並瞭解更多有關地球的氬含量的變化。
不過，這種核事件檢測工具也會受到干擾，也許是人的腳步聲，也許是電話鈴聲。這些噪音都有自己的特徵，科學家需要把這些噪音區分掉。
科學家艾米麗·梅斯是解釋此類信號特徵的專家，例如，某個事件可能表明某地區進行了地下核試驗或含水層正在迅速耗盡時，梅斯會定期檢查放射性衰變事件數據，以解釋信號，能量，時間，峰值，斜率，持續時間和其他它特徵。
深度學習技術提高信號分辨力
不過，有些脈衝信號很難解釋，區分好數據和壞數據具有挑戰性。
但是，計算機的發展給核事件檢測帶來了新的光明，AI深度學習技術可以幫助科學家區分不同的信號。
自2010年以來，地下實驗室中檢測到了200萬個能量脈衝信息，深度學習技術使用32000個脈衝的乾淨樣本集來訓練網絡，輸入每個脈衝的許多功能並向網絡展示如何解釋數據。然後向網絡提供成千上萬的信號，因為深度學習技術可以自學，以區分“好”信號和構成有害噪聲的“壞”信號。
訓練集學習完畢後，便用訓練好的模型測試實際中的脈衝信號，結果令很多人欣慰。機器可以解釋很多脈衝信號，超過了專業的科學家。該深度學習程序可以正確分類99.9％以上的脈衝。
當數據嘈雜並且包含大量虛假信號時，人工智能檢測的結果仍然讓人吃驚。在給定的400個包含噪聲的數據中，深度學習分辨出386個真實數據，而傳統方法僅僅能分辨出1個。
通過海量數據篩選以尋找有意義的信號的問題具有廣泛的含義，並擴展到許多科學領域。一個領域是尋找由暗物質產生的信號，暗物質是我們宇宙中絕大部分物質的起源。另一個領域是自動檢測乳腺癌和其它組織異常，促進醫學的發展。
深度學習使我們更容易過濾出不想要的壞數據，在核事件信號的檢測中發揮了重大作用。
宇宙中也充滿了射線，輻射檢測技術的進步對研究宇宙射線很重要。科學家一直在尋找一種假定形式的暗物質，即弱相互作用的大顆粒或WIMP。
由於WIMP幾乎不與其它粒子相互作用，因此檢測它們特別困難。所以減少或過濾掉許多無關的信號非常重要。這時上述所說的深度學習技術便發揮了作用，可以幫助研究人員辨別與區分開噪聲信號。
低水平危險輻射源的檢測
為了支持國防，美國國家核檢測局（DNDO）的智能輻射傳感器系統（IRSS）計劃支持了輻射計數器網絡的開發，以檢測，定位和識別<strong>低水平的危險輻射源。
測試測量值與算法輸出相結合，用於提取關鍵測量值和基準（KMB）數據集。
使用來自室外測試的KMB數據集，研究人員構建了一個邊界監視方案，在一個方形區域放置若干檢測工具，有一個放射源在該區域內移動。使用IRSS程序開發的粒子過濾器算法處理來自各個計數器和網絡的測量數據。
KMB數據集的算法輸出清楚地說明了組合所有聯網計數器的測量值的好處，在放射源進入區域之前，放射信號在幾米之外都被檢測到。當使用單個計數器進行檢測時，放射源的檢測時間要短得多，有時會在內部區域中丟失。通過這種算法，研究人員得到了比較高的檢測概率。
不過至於IRSS中的算法具體是啥我們也無需深究，只需知道它們可以提高放射性元素的檢測成功率就可以了，有助於提高核能的安全性。
核電核廢料掩埋深度測量
核電廠會產生大量的放射性廢物。這些廢物是放射性物質的廢料，它們發出放射性射線而汙染環境。不過我們很難知道這些廢料埋藏在地下的深度，或難以測定這些廢料的輻射強度。
核廢料一般被埋在混凝土中，核廢料可能與混凝土成分相互作用，導致混凝土產生裂縫，隨著時間的推移，汙染物會更深地滲透到混凝土結構中[。
放射汙染物可以通過幾種途徑最終進入土壤，其中包括地下廢物運輸管道和存儲箱的洩漏，故意將廢物埋葬在土壤中以及放射性沉澱物沉澱到土壤中的顆粒中。據報道，蘇格蘭北部海灘的汙染面積約為200000平方米，這是因為當地的銫廢料埋藏的非常淺。
科學家也很想知道哪些地方存在核廢料汙染，汙染源有多深。不過定位起來很困難。
定位土壤中廢物的主要困難是確定汙染物滲透的深度。這是因為這些多孔材料在視覺上不透明。如果發現汙染物的滲透程度超出預期，則進行修復是昂貴的，而且會浪費時間。另一方面，如果汙染較淺，則會大大增加要處置的廢物的體積和成本。
因此，不能過分強調有效的深度剖析方法對核汙染的重要性。傳統的深度剖析方法包括：日誌記錄，微鑽孔和Core採樣。但是，這些方法具有破壞性且耗時，此外，它們的採樣空間範圍也很有限。
因此很多科學家使用各種遠程深度剖析方法。這些方法包括，相對衰減方法和主成分分析（PCA）方法。相對衰減方法利用了測得的放射性核素能譜中兩個突出峰（通常是X射線和伽馬峰）的衰減的相對差異。
但是，由於X射線的高度衰減，使用X射線照片峰將最大可檢測深度限制為小於2 cm。此外，該技術對不能發射足夠X射線的放射性核素無效。PCA方法基於非線性迴歸模型，該模型將導出的變量（稱為合成角）與掩埋在地下的放射性核素的深度相關聯。
合成角指不同埋深下放射源的一組測量光譜中前兩個主要成分之比的反正切。但是，這樣的經驗模型取決於數據。因此，每當將新光譜添加到原始數據時，模型參數就會發生變化。這使得模型的使用效能比較低。
後來科學家提出了一種<strong>基於近似三維線性衰減模型的放射性汙染物的遠程深度估算方法。仿真和實驗結果均表明，與現有的遠程技術相比，該方法在混凝土和土壤中的深度剖析能力都有顯著提高，從而擴大了其應用範圍。
科學家測試了沙子和混凝土中Cs和Co汙染物，實驗結果表明，和傳統方法相比，遠程深度估算能力得到了顯著提高，可以有效檢測核廢料汙染物的深度。
閱讀更多 劉同學的科學戰記 的文章
