核辐射能谱分析是通过探测放射源来研究物质属性的重要手段。然而，堆叠效应成为高计数率环境下能谱估计的主要挑战之一。该现象源于光子到达间隔短于电信号的生成时间，导致多个脉冲重叠（堆叠），从而引起能量峰值漂移、能量分辨率下降等问题。

针对以上问题，近日，中国科学院上海高等研究院（SARI）感知与计算团队联合以色列沙蒙工程学院Dima Bykhovsky教授以及Tom Trigano教授，针对高计数率环境下核能谱测量中的堆叠效应问题，提出了一种创新的基于深度学习的能谱估计方法。该方法结合自注意力机制与卷积神经网络（CNN）架构，解决了传统方法在高计数率条件下的能谱失真问题。相关研究成果已于2025年5月发表于《IEEE Transactions on Instrumentation and Measurement》期刊。

提出的基于深度学习的能谱估计方法采用了名为AttnUNet++的神经网络架构，结合自注意力机制（Self-Attention）与UNet模型，能够在极端堆叠情况下有效捕捉信号的局部和全局依赖关系，进行精确的能谱估计。与传统方法相比，该方法不仅在高计数率下具有更高的精度，还能显著提高能谱估计的效率和实时性。

研究团队通过与当前最先进的时间域方法（Allpix2模拟器）对比，表明该方法在多个数据源和不同噪声强度条件下展现了极强的鲁棒性。实验结果显示，AttnUNet++能够在高计数率环境下精确推断能谱，优于传统方法，尤其在堆叠效应严重时，仍能保持较高的能量分辨率和估计精度。此外，团队还通过模拟数据和在上海同步辐射光源采集的真实数据的多次实验，验证了该方法的实际应用价值。尤其在低噪声、低计数率下，能谱估计的精度仍然较高，符合核测量任务对实时性和精度的严格要求。

该研究得到了国家自然科学基金、国家重点研发计划、上海市人才发展基金等项目的资助支持，并为未来高性能核辐射探测系统的设计和应用提供了新的思路和解决方案。

图1：论文中提出的基于AttnUNet++的端到端能谱估计架构

论文链接：

https://ieeexplore.ieee.org/abstract/document/11015340