中国科学技术大学国家同步辐射实验室蒋诗平研究组在人工智能应用于辐射防护领域的研究中取得重要进展。针对大型射线装置场所辐射场难以全面准确监测这一难题，研究团队构建了融合高保真蒙特卡洛模拟与人工智能的三维辐射场重建框架，成功实现在极稀疏采样条件下对储存环大厅剂量分布的三维重建，并通过合肥光源实测数据初步验证了方法的可靠性。相关成果于2026年3月14日以“AI-based three-dimensional radiation field reconstruction for synchrotron radiation facilities”为题发表在《Radiation Measurements》期刊上。
同步辐射光源等大型射线装置在运行时，损失粒子与设备器件及场所物质相互作用，会产生以中子、光子(γ射线、X射线)为主的混合辐射场。该辐射场具有空间分布高度非均匀、时间上持续变化的特点。对这一混合辐射场进行准确监测，是保障工作人员辐射安全的核心前提。然而，现有辐射监测系统因监测点数量有限且布局固定，难以完整表征整个复杂辐射场的空间分布。因此，发展基于有限监测信息的三维辐射场智能重建方法，成为人工智能在辐射防护领域的重要应用方向。
针对上述挑战，研究组以合肥光源储存环大厅辐射场为对象，基于蒙特卡洛程序建立了百余组基础辐射场样本，涵盖合肥光源在不同运行工况下的典型辐射分布特征，据此形成了用于模型训练和测试的三维辐射场高保真数据集。在此基础上，研究组开发了适用于极稀疏采样条件的三维U-Net++网络，能够以少量固定剂量监测点和随机采样点数据作为输入，实现对储存环大厅大尺度空间辐射场的智能重建。结果表明，在采样点数量少于30个的条件下，该网络仍能准确恢复辐射场的空间结构，展现出较高的重建精度和良好的稀疏采样适应能力。
图1. 极稀疏采样条件下束流平面内辐射场重建结果(左)与原始剂量分布(右)对比。
图2. 验证集中束流平面内辐射场重建结果的平均绝对百分误差(MAPE)分布。
图3. 适用于极稀疏采样条件的三维U-Net++网络结构。
为进一步验证该方法在真实装置环境中的可靠性，研究组在合肥光源储存环大厅内布设光释光剂量计，开展了为期两个月的累积剂量测量，并将实测结果与神经网络预测结果进行对比。结果显示，该方法能够较好表征实际辐射场分布，验证了其在真实环境中的可靠性和工程应用可行性。
该研究首次将神经网络方法应用于同步辐射装置的三维辐射场重建，并通过真实测量数据验证了其在实际装置环境中的适用性。这一成果为解决传统辐射监测系统难以完整表征非均匀、时变辐射场的问题提供了新思路，也为构建高分辨率、全空间、实时的智能辐射监测系统奠定了技术基础，是人工智能技术在大型射线装置辐射防护领域从方法研究走向工程应用的重要探索。
中国科学技术大学国家同步辐射实验室博士研究生陈家铎为论文第一作者，蒋诗平为论文通讯作者。
