Környezetünk tele van természetes és emberi tevékenységből származó radioaktív izotópokkal. Egy izotóp azonosításához meg kell mérni a bomlásakor kibocsájtott sugárzás energiáját, mely lehet alfa, béta és gamma. Dolgozatomban a gamma sugárzással foglalkozom, a szimulációmban a nukleáris méréstechnikában elterjedt plasztik szcintillátort használom, mely az általa elnyelt gamma energiájával arányos látható fotont kelt, ezeket fotonszámlálóval olvasom ki. A nagyenergiás gamma, amennyiben az energiáját a detektorban adja le, egy rá jelemző számú fotont kelt, ezt fotocsúcsnak hívjuk, ha az energiájának csak egy részét adja le, Compton-háttérnek nevezzük. A plasztik szcintillátorok gyorsak, költséghatékonyak és könnyű megmunkálni. Hátránya, hogy a kis sűrűsége miatt nehéz fotocsúcsban detektálni a nagyenergiás gammákat, mert a Compton-szórások közötti "pattogás" hossza akár több cm is lehet. Egy 18x20x20cm-es plasztik szcintillátor esetében a 100keV-es gamma a detektorban adta le az egész energiáját, ennek az esélye 20%. Ezek számunkra az értékes adatok, ez a jel. Az összes többi ami nem hagyta benne az összes energiáját és az összes olyan nagyobb energiás, ami hasonló számú fotont kelt, az mind háttér. A feldolgozásra neurális hálót használok. Ezzel a megoldással gyorsan és hatékonyan tudom eldönteni, FPGA-ra implementálva akár mikroszekundumon belül, hogy az adott gamma mintázat jel vagy háttér. Hatékony elkülönítéssel még nagy intenzitáskülönbség esetén is észlelhető az izotóp. Egy, a szimulációban is használt 81 csatornás detektorral észlelhető szóródási mintázat alapján meg tudom különböztetni a jelet a háttértől. A detektor mérete, a csatornaszám és a neurális háló változtatásával egy olyan, adott energiára érzékeny detektort kapok, ami a háttéreseményeket jól el tudja választani a jeltől, azaz, az adott energiájú gammát, általa a keresett izotópot, bár kis mennyiségben, nagy háttérsugárzás mellett is azonosítani tudja.