🔬 physics

Physics-Embedded Bayesian Neural Network (PE-BNN) to predict Energy Dependence of Fission Product Yields with Fine Structures

تقدم هذه الورقة إطار عمل لشبكة عصبية بايزية مدمجة بالفيزياء (PE-BNN) يدمج عامل قشرة ظاهري مستقل عن الطاقة وتحسين المعلمات الفائقة القائم على معيار معلومات أكايكي لـ وايك (WAIC) للتنبؤ بدقة بإنتاجيات نواتج الانشطار المعتمدة على الطاقة مع وجود هياكل دقيقة واتفاق وثيق مع تأثيرات القشرة النووية المعروفة.

المؤلفون الأصليون: Jingde Chen, Yuta Mukobara, Kazuki Fujio, Satoshi Chiba, Tatsuya Katabuchi, Chikako Ishizuka

نُشر 2026-03-06

📖 5 دقيقة قراءة🧠 قراءة متعمّقة

CC BY 4.0

المؤلفون الأصليون: Jingde Chen, Yuta Mukobara, Kazuki Fujio, Satoshi Chiba, Tatsuya Katabuchi, Chikako Ishizuka

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

الصورة الكبيرة: التنبؤ بما لا يمكن التنبؤ به

تخيل أنك طاهٍ يحاول التنبؤ بدقة بكيفية تفتت كعكة ضخمة ومعقدة عند تحطيمها. في عالم الفيزياء النووية، هذه "الكعكة" هي ذرة (مثل اليورانيوم)، و"التحطيم" هو اصطدام نيترون بها، مما يؤدي إلى انقسامها (الانشطار).

عندما تنقسم الذرة، فهي لا تنكسر إلى قطعتين متساويتين فقط، بل تتشظى إلى مئات القطع الصغيرة المختلفة (تسمى نواتج الانشطار). يحتاج العلماء إلى معرفة كمية كل قطعة يتم إنتاجها بدقة، خاصة عندما يحدث "التحطيم" بمقادير مختلفة من الطاقة (مثل ضربة خفيفة مقابل ضربة قوية).

لعقود من الزمن، واجه العلماء صعوبة في التنبؤ بالتفاصيل الدقيقة والمتعرجة لعملية التفتت هذه، خاصة عندما تتغير الطاقة. تقدم هذه الورقة البحثية "طاهياً ذكياً" جديداً يمكنه التنبؤ بهذه التفاصيل بدقة عالية.

المشكلة: "الناعم" مقابل "المتعرج"

فكر في البيانات التي يمتلكها العلماء كأنها خريطة.

الخريطة القديمة (الاستكمال الخطي): تقليدياً، إذا عرف العلماء النتيجة عند "طاقة منخفضة" (مثل 0.5 ميجا إلكترون فولت) وعند "طاقة عالية" (مثل 14 ميجا إلكترون فولت)، فإنهم ببساطة يرسمون خطاً مستقيماً بينهما لتخمين ما حدث في المنتصف. الأمر يشبه افتراض أن الطريق بين مدينتين مسطح تماماً.
الواقع: الطريق ليس مسطحاً؛ بل يحتوي على تلال ووديان وتعرجات. هذه "التعرجات" تسمى البنى الدقيقة (fine structures). وهي ناتجة عن "الهيكل العظمي" الداخلي للذرة (الأغلفة النووية)، مما يجعل بعض الشظايا أكثر عرضة للتشكل من غيرها.
الفجوة: كانت النماذج الحاسوبية الموجودة جيدة في رسم الشكل العام للطريق (الاتجاه العالمي)، لكنها كانت سيئة جداً في التنبؤ بالتعرجات المحددة (البنى الدقيقة).

الحل: "الطاهي الذكي المدمج بالفيزياء"

قام المؤلفون ببناء شبكة عصبية بايزية مدمجة بالفيزياء (PE-BNN). دعنا نفكك هذا الاسم المعقد:

الشبكة العصبية (الدماغ): هذا نوع من الذكاء الاصطناعي يتعلم من خلال النظر في آلاف الأمثلة. إنه مثل طالب قرأ كل الكتب المدرسية حول الانشطار النووي.
بايزي (مقياس الثقة): على عكس الذكاء الاصطناعي القياسي الذي يعطيك إجابة واحدة فقط، فإن هذا النموذج يعطيك إجابة ومعها درجة ثقة. إنه يقول: "أعتقد أن الإجابة هي X، وأنا متأكد بنسبة 95%". إنه مثل خبير الأرصاد الجوية الذي لا يكتفي بالقول "سوف تمطر"، بل يقول "هناك احتمال 95% لهطول الأمطار".
المدمج بالفيزياء (المكون السري): هذا هو الجزء الأهم. عادةً، تقوم بتغذية الذكاء الاصطناعي ببيانات خام وتتركه يكتشف كل شيء بنفسه. ولكن هنا، أعطى المؤلفون للذكاء الاصطناعي "ورقة غش" تعتمد على الفيزياء الحقيقية.

تشبيه "عامل الغلاف" (Shell Factor)

تخيل أن الذرة عبارة عن مبنى مكون من طوب. بعض الطوابق معززة بالفولاذ (هذه هي الأغلفة النووية). عندما ينهار المبنى، تحتفظ الطوابق المعززة بشكل مختلف عن الطوابق الضعيفة.

أنشأ المؤلفون ميزة إدخال خاصة تسمى "عامل الغلاف" (Shell Factor).

بدون عامل الغلاف: يحاول الذكاء الاصطناعي تخمين نمط الانهيار بمجرد النظر إلى الحطام. يصيب في شكل الكومة العامة، لكنه يخطئ في تحديد الأجزاء المعززة المحددة.
مع عامل الغلاف: يتم منح الذكاء الاصطني "مخططاً هندسياً" يقول: "مهلاً، هناك طابق فولاذي فائق القوة عند المستوى 134 وآخر عند المستوى 140". فجأة، يستطيع الذكاء الاصطناعي التنبؤ بدقة بمكان سقوط القطع الثقيلة.

كيف يعمل الأمر في الممارسة العملية

درب الباحثون هذا الذكاء الاصطناعي على مجموعة بيانات ضخمة من التجارب السابقة والحسابات النظرية. لم يكتفوا بإخباره "تنبأ بالإنتاجية"، بل أخبروه بـ:

انظر إلى كتلة الشظايا.
انظر إلى طاقة النيوترون القادم.
بشكل حاسم: انظر إلى "عامل الغلاف" (المخطط الهندسي للهيكل الداخلي للذرة).

استخدموا أيضاً قاعدة رياضية خاصة (تسمى WAIC) لتعمل كمعلم صارم. منعت هذه القاعدة الذكاء الاصطناعي من "حفظ" البيانات (الإفراط في التخصيص/Overfitting) وأجبرته على تعلم القواعد الفعلية للعبة.

النتائج: لماذا يهم هذا؟

كانت النتائج مثيرة للإعجاب، مثل طالب يتفوق في اختبار لم يذاكر له أبداً:

رصد التعرجات: نجح الذكاء الاصطناعي في التنبؤ بـ "البنى الدقيقة" — أي القمم والوديان المحددة في البيانات التي فاتتها النماذج الأخرى.
اتجاه الطاقة: تنبأ بشكل صحيح بأنه مع زيادة قوة "التحطيم" (طاقة أعلى)، تبدأ "التعرجات" المحددة (آثار الأغلفة) في التلاشي والنعومة، تماماً مثل صخرة خشنة تصبح حصاة ناعمة عند تقليبها في النهر.
الارتباط "السحري": إليكم الجزء الأروع. لم يتم تعليم الذكاء الاصطناعي أبداً عن النيوترونات (الجسيمات الصغيرة التي تطير خارجاً عندما تنقسم الذرة). لقد تعلم فقط عن الشظايا.
- ومع ذلك، ولأن الذكاء الاصطناعي تعلم الفيزياء العميقة لكيفية انقسام الذرة، فقد استنتج بشكل مستقل أن الشظايا تتحرك بطريقة تتطابق تماماً مع السلوك المعروف للنيوترونات الطائرة.
- التشبيه: تخيل محققاً ينظر فقط إلى الزجاج المكسور في مسرح الجريمة. دون أن يرى المسدس أبداً، يستنتج المحقق بدقة مدى قوة رصاصة الإصابة ونوع المسدس المستخدم، فقط من خلال تحليل أنماط الزجاج. فعل الذكاء الاصطناعي الشيء نفسه: لقد تعلم فيزياء الانقسام جيداً لدرجة أنه "اكتشف" سلوك النيوترونات من تلقاء نفسه.

الخلاصة

تظهر هذه الورقة البحثية أننا لسنا مضطرين للاختيار بين "علم البيانات الصرف" (ترك الكمبيوتر يخمن) وبين "الفيزياء الصرفة" (استخدام معادلات معقدة).

من خلال دمج المعرفة الفيزيائية مباشرة في دماغ الذكاء الاصطناعي، نحصل على أداة تتميز بـ:

الذكاء: فهي تفهم "السبب" وراء الأرقام.
الدقة العالية: فهي تتنبأ بالتفاصيل الدقيقة التي تهم المفاعلات النووية والسلامة.
الموثوقية: فهي تعرف متى تكون واثقة ومتى تكون في حالة تخمين.

هذا الإطار الجديد هو جسر بين الواقع المعقد والمضطرب للفيزياء النووية وبين التنبؤات القوية والنظيفة للذكاء الاصطناعي الحديث، مما يساعدنا على تصميم مفاعلات أكثر أماناً وفهم الكون بشكل أفضل.

إليك ملخص تقني مفصل للورقة البحثية بعنوان "الشبكة العصبية البايزية المدمجة بالفيزياء (PE-BNN) للتنبؤ باعتماد الطاقة لإنتاجيات نواتج الانشطار مع الهياكل الدقيقة."

1. بيان المشكلة

تعد إنتاجيات نواتج الانشطار (FPYs) ملاحظات حاسمة للمفاعلات النووية، والنشوء النووي في الفيزياء الفلكية، والتحليل الجنائي النووي. ومع ذلك، تواجه مكتبات البيانات النووية الحالية (مثل JENDL وENDF) قيودين رئيسيين:

نقاط طاقة منفصلة: توفر المكتبات عادةً بيانات FPY عند ثلاث طاقات نيترونية محددة فقط (حرارية، 0.5 ميجا إلكترون فولت، و14 ميجا إلكترون فولت). ويتم تقدير الطاقات المتوسطة عبر الاستكمال الخطي، والذي أظهرت التجارب الحديثة عدم دقته بسبب الانحرافات الكبيرة.
عدم القدرة على إعادة إنتاج الهياكل الدقيقة: لا تستطيع النماذج الظواهرية التقليدية ولا مناهج تعلم الآلة (ML) القياسية التقاط الاتجاهات العالمية للطاقة و"الهياكل الدقيقة" (التباينات المحلية الناتجة عن تأثيرات القشرة النووية) في آن واحد عبر مختلف النظائر وطاقات النيوترونات الساقطة.
ندرة البيانات: التحقيقات التجريبية الشاملة محدودة بسبب نقص مصادر النيوترونات أحادية الطاقة، مما يستلفزم وجود نماذج نظرية قوية.

2. المنهجية

قام المؤلفون بتطوير إطار عمل للشبكة العصبية البايزية المدمجة بالفيزياء (PE-BNN) التي تدمج المعرفة السابقة لفيزياء النواة مباشرة في بنية تعلم الآلة.

أ. بنية النموذج

الشبكة العصبية البايزية (BNN): يستخدم النموذج بنية مكونة من طبقتين خفيتين (تم تحسينهما إلى 11-11 عصبوناً). ويستخدم عينة "لا عودة للوراء" (No-U-Turn Sampler - NUTS) ضمن مكتبة NumPyro لتقريب التوزيع البعدي لمعلمات النموذج $p(W|D)$ ، مما يسمح بتكميم عدم اليقين (فترات الثقة).
بيانات التدريب: تتكون مجموعة البيانات من 80% من JENDL-5، وبيانات تجريبية من EXFOR، ومخرجات النماذج النظرية. وتعمل الـ 20% المتبقية من JENDL-5 كمجموعة تحقق. أهداف التدريب هي إنتاجيات الكتلة المستقلة عن النيوترونات بعد الانشطار.
عامل القشرة (SF): الابتكار الجوهري هو إدخال عامل القشرة (SF) كسمة مدخلة صريحة لتشفير فيزياء البنية النووية:
$SF = \exp\left(-\frac{E}{kT}\right) \times \sum_{i=1}^{3} W_i (N_i + N_{i+3})$
تخميد طاقة الاستثارة: يمثل المصطلح $\exp(-E/kT)$ عامل بولتزمان، حيث $E$ هي طاقة الاستثارة و $kT \approx 1.5$ ميجا إلكترون فولت (مشتق من علاقات غاز فيرمي ومحاكاة لانجفين). هذا ينمذج الواقع الفيزيائي المتمثل في أن تأثيرات القشرة تتضاءل مع زيادة طاقة النيوترون الساقط.
تشفير بنية القشرة: تم وضع المصطلحات الغاوسية $N_i$ حول أعداد كتل $A=134$ (سحرية مزدوجة)، و $A=140$ ، و $A=144$ (قشور مشوهة)، مع المصطلحات المرآتية المقابلة للشظايا الخفيفة. هذا يوجه الشبكة صراحةً للتعرف على المناطق المستقرة بفعل القشرة.
تحسين المعلمات الفائقة: يتم إجراء اختيار النموذج وتحسين المعلمات الفائقة باستخدام معيار واتانابي-أكايكي للمعلومات (WAIC) لمنع الإفراط في التخصيص وضمان تعميم النموذج بشكل جيد دون الاعتماد على إعادة ضبط المعلمات بشكل تكراري لأنظمة تفاعل محددة.

ب. استراتيجية التحقق

تم التحقق من النموذج مقابل:

الإنتاجيات التراكمية التجريبية المستقلة (المقاسة عبر مطيافية أشعة غاما) من دراسات حديثة عالية الدقة (مثل Tonchev et。
بيانات تعدد النيوترونات الفورية (التي لم تُستخدم في التدريب) للتحقق من الاتساق الفيزيائي الناشئ.
المقارنة مع نموذج GEF شبه التجريبي والاستكمال الخطي لـ JENDL-5.

3. المساهمات الرئيسية

إطار عمل موحد: نجح PE-BNN في سد الفجوة بين التعلم الإحصائي وفيزياء النواة، حيث أعاد إنتاج كل من اتجاهات الطاقة العالمية والهياكل الدقيقة في نموذج واحد.
التشفير الفيزيائي الصريح: على عكس "الصندوق الأسود" لتعلم الآلة، يقوم هذا النهج بدمج معلومات القشرة الظواهرية (عبر SF) مباشرة في طبقة المدخلات، مما يجعل سلوك النموذج قابلاً للتفسير ومرتكزاً على أسس فيزيائية.
الاتساق الفيزيائي الناشئ: يتنبأ النموذج بسلوكيات تعتمد على الطاقة تتوافق مع تعدد النيوترونات الفورية، رغم أنه لم يتم تدريبه أبداً على بيانات انبعاث النيوترونات. وهذا يثبت أن الشبكة تعلمت الارتباطات الفيزيائية الأساسية بين إنتاجات الكتلة وانبعاث النيوترونات من بيانات FPY وحدها.
الاستكمال المتفوق: يوفر الإطار تنبؤات دقيقة لطاقات النيوترونات المتوسطة (0.5–14 ميجا إلكترون فولت)، متفوقاً على الاستكمال الخطي التقليدي الذي يفشل في التقاط التبعيات غير الخطية للطاقة.

4. النتائج الرئيسية

إعادة إنتاج الهيكل الدقيق: أدى تضمين عامل القشرة (SF) إلى تحسين احتمالية الإمكان الأعظم (log-likelihood) للنموذج بنسبة 21.3% (التدريب) و 34.6% (الاختبار). نجح النموذج في إعادة إنتاج الهياكل الدقيقة في القمم الثقيلة والخفيفة لنظائر مثل $^{235}\text{U}$ و $^{232}\text{Th}$ و $^{243}\text{Cm}$ .
اعتماد الطاقة:
- الشظايا الثقيلة: تنبأ النموذج بشكل صحيح بإزاحة القمة الثقيلة نحو أعداد كتل أقل مع زيادة طاقة النيوترون الساقط. ويُعزى ذلك إلى زيادة انبعاث النيوترونات الفورية عند طاقات الاستثارة العالية، وهو سلوك يتوافق مع نموذج Brosa للانشطار.
- الشظايا الخفيفة: التقط النموذج استقرار القمم النسبية للشظايا الخفية (مثل $A \approx 99-105$ ) واعتمادها الضعيف على الطاقة، وهو ما يتوافق مع ثبات تعدد النيوترونات الفورية في هذه المنطقة.
تسلسل تأثير القشرة: كشفت النتائج عن تسلسل في استقرار القشرة: القمة عند $A=134$ (سحرية مزدوجة) تظل قوية ضد زيادة الطاقة، بينما تتضاءل القمم عند $A=138$ و $A=143$ (قشور مشوهة) وتختفي بسرعة أكبر.
التحقق: وقعت تنبؤات PE-BNN لـ $^{235}\text{U}$ و $^{238}\text{U}$ و $^{239}\text{Pu}$ ضمن فترات الثقة $\pm 1\sigma$ و $\pm 2\sigma$ للبيانات التجريبية عبر نطاق واسع من الطاقة (0.5–14.8 ميجا إلكترون فولت)، متفوقة بشكل كبير على الاستكمال الخطي وأظهرت توافقاً أفضل مع الاتجاهات التجريبية من نموذج GEF في أنظمة طاقة محددة.

5. الأهمية

فيزياء المفاعلات والسلامة: القدرة على التنبؤ بدقة بـ FPYs عند الطاقات المتوسطة أمر بالغ الأهمية لتقييمات الحرجة للمفاعلات، وحسابات الاحتراق، وتقي evaluaciones السلامة حيث تفتقر المكتبات القياسية للبيانات.
التحليل الجنائي النووي: يعزز التنبؤ المحسن بإنتاجيات اعتماد الطاقة القدرة على تحديد أصل وتاريخ المواد النووية.
التقدم المنهجي: يوضح هذا العمل أن "تعلم الآلة المدمج بالفيزياء" هو استراتيجية قابلة للتطبيق ومتفوقة لتقييم البيانات النووية. إنه يتجاوز مجرد ملاءمة البيانات لإنشاء نماذج تحترم القوانين الفيزيائية الأساسية (تأثيرات القشرة، آليات التخميد) مع الاستفታدة من قدرة التعرف على الأنماط للاستدلال البايزي.
القابلية للتعميم: يشير إطار العمل هذا إلى مسار لتطبيق استراتيجيات مماثلة مدمجة بالفيزياء على غيرها من الملاحظات النووية المعقدة حيث يمكن تشفير سمات منهجية كمدخلات للنموذج.