⚛️ nuclear theory

Multi-task deep neural network for predicting both nuclear fission yields and their experimental errors in peak-shaped data

تقدم هذه الورقة شبكة عصبية عميقة متعددة المهام مجهزة بدالة فقد مبتكرة ودمج لتأثير الفردي-الزوجي للتنبؤ بدقة أكبر بكل من حصائل نواتج الانشطار النووي وأخطائها التجريبية في البيانات ذات الشكل القمي مقارنة بطرق التعلم المستقل التقليدية.

المؤلفون الأصليون: Maomi Ueno, Enbo Zhang, Kazuma Fuchimoto, Satoshi Chiba, Jingde Chen, Chikako Ishizuka

نُشر 2026-04-01

📖 4 دقيقة قراءة🧠 قراءة متعمّقة

CC BY 4.0

المؤلفون الأصليون: Maomi Ueno, Enbo Zhang, Kazuma Fuchimoto, Satoshi Chiba, Jingde Chen, 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

تخيل أنك تحاول التنبؤ بالطقس. لديك الكثير من البيانات حول الأيام المشمسة، والأيام الممطرة، والأيام العاصفة. لكن عليك التنبؤ بحدث محدد للغاية ونادر: عاصفة رعدية عنيفة تحدث فقط في وادٍ ضيق ومتعرج.

هذا هو بالضبط التحدي الذي يواجهه علماء الفيزياء النووية عند دراسة الانشطار النووي.

المشكلة: "الجبل المتعرج"

عندما تنقسم ذرة ثقيلة (مثل اليورانيوم)، فهي لا تتفكك ببساء إلى قطعتين عشوائيتين. بل تنقسم إلى مجموعة محددة من الذرات الأصغر تسمى نواتج الانشطار. إذا رسمت مخططاً لكيفية إنتاج كل نوع من الذرات، فلن تحصل على تلة ناعمة. بل ستحصل على سلسلة جبال ذات قمتين ذات قمم حادة ومتعرجة ووديان عميقة.

القمم: هي النتائج الأكثر شيوعاً.
الوديان: هي النتائج النادرة.
المشكلة: النماذج الحاسوبية الحالية بارعة في رسم التلال الناعمة، لكنها تكافح للتنبؤ بالقمم الحادة والمتعرجة بدقة. كما أنها تكافح لإخبارك مدى ثقتها في تنبؤاتها (أي "الخطأ").

الحل: "الذكاء الاصطناعي ذو الدماغ التوأم"

قام الباحثون في هذه الورقة البحثية ببناء نوع جديد من الذكاء الاصطناعي (AI) لحل هذه المشكلة. فبدلاً من استخدام ذكاء اصطناعي قياسي، استخدموا شبكة عصبية عميقة متعددة المهام.

فكر في هذا الذكاء الاصطناعي كـ نظام ذي دماغ توأم:

الدماغ (أ): مهمته التنبؤ بـ كمية نواتج الانشطار (ارتفاع الجبل).
الدماغ (ب): مهمته التنبؤ بـ عدم اليقين أو الخطأ (مدى اهتزاز الأرض تحت ذلك الجبل).

في الماضي، كان العلماء يدربون ذكاءً اصطناعياً منفصلاً لكل مهمة: واحداً للجبل والآخر للأرض المهتزة. لكن الباحثين أدركوا أن هاتين المهمتين مرتبطتان بعمق. فإذا عرفت أن الجبل مرتفع جداً، يمكنك تخمين أن الأرض أكثر استقراراً. ومن خلال تدريبهما معاً، يساعدان بعضهما البعض على التعلم، تماماً كما يحسن عازفا البيانو يدي اليسرى واليمنى بعضهما البعض أثناء ممارسة "الدويتو".

السر الخفي: خدعتان جديدتان

لجعل نظام الدماغ التوأم هذا يعمل بشكل مثالي، أضاف الباحثون مكونين خاصين:

1. دالة الخسارة "بقعة الضوء" (الخسارة الموزونة)

تدريب الذكاء الاصطناعي القياسي يشبه معلماً يصحح اختبار طالب عبر إعطاء كل سؤال نفس الوزن. لكن في الانشطار النووي، "أسئلة القمم" (الجبال المتعرجة) هي الأكثر أهمية. إذا أخطأ الذكاء الاصطناعي في تلك الأسئلة، فإن التنبؤ بأكمله سيفشل.

ابتكر الباحثون دالة خسارة موزونة. تخيل معلماً يضع بقعة ضوء ضخمة على الأسئلة الأكثر أهمية.

إذا أخطأ الذكاء الاصطناعي في سؤال "الوادي"، يفرض المعلم عقوبة صغيرة.
إذا أخطأ في سؤال "القمة"، يصرخ المعلم: "هذا أمر بالغ الأهمية! حاول مجدداً!"
هذا يجبر الذكاء الاصطناعي على الهوس بالحصول على القمم الحادة بشكل صحيح، بدلاً من مجرد حساب المتوسط العام للرسم البياني.

2. دليل "الزوجي-الفردي"

للطبيعة عادة غريبة: الذرات التي تمتلك عدداً زوجياً من الجسيمات تكون عموماً أكثر استقراراً وشيوعاً من تلك التي تمتلك عدداً فردياً، مما يخلق نمطاً "متعرجاً" (مثل موجة أسنان المنشار).

أعطى الباحثون الذكاء الاصطناعي ورقة غش: مفتاح "الزوجي-الفردي".

إذا كان العدد زوجياً، ينقل المفتاح إلى "1" (استقرار عالٍ).
إذا كان العدد فردياً، ينقل المفتاح إلى "0" (استقرار منخفض).
هذا يساعد الذكاء الاصطناعي على فهم الإيقاع الكامن وراء القمم المتعرجة، مما يسمح له برسم نمط أسنان المنشار بدقة أكبر بكثير.

النتائج: تحفة فنية من التنبؤ

عندما اختبروا هذا النظام الجديد مقابل الطرق القديمة (مثل الذكاء الاصطناعي القياسي أو الشبكات البايزية):

الدقة: رسم القمم المتعرجة بشكل أقرب بكثير إلى البيانات التجريبية الحقيقية.
الثقة: لم يكتفِ بتخمين ارتفاع الجبل فحسب، بل أعطى أيضاً تقديراً دقيقاً للغاية لمدى تباين ذلك الارتفاع (الخطأ).
تعدد الاستخدامات: لم يعمل بشكل جيد فقط لمستويات الطاقة المعروفة، بل تنبأ أيضاً بما سيحدث عند مستويات طاقة جديدة وغير مختبرة من خلال تعلم الأنماط من البيانات المتاحة لديه.

لماذا يهم هذا؟

الطاقة النووية هي مستقبل الطاقة النظيفة، لكنها تتطلب حسابات سلامة دقيقة.

تصميم المفاعلات: يحتاج المهندسون لمعرفة كمية النفايات المشعة التي سيتم إنتاجها ونوعها بدقة.
السلامة: إذا كنت لا تعرف "الخطأ" (عدم اليقين)، فلا يمكنك تصميم أنظمة احتواء آمنة.

يعمل هذا الأسلوب الجديد للذكاء الاصطناعي كـ كرة بلورية فائقة الدقة. فهو يخبر المهندسين ليس فقط بما سيحدث عندما يعمل المفاعل النووي، ولكن أيضاً مدى تأكدنا من هذا التنبؤ. وهذا يؤدي إلى محطات طاقة نووية أكثر أماناً وكفاءة، واستراتيجيات أفضل لإدارة النفايات.

باختصار: لقد علم الباحثون الحاسوب كيف يتوقف عن تخمين شكل الجبل المتعرج ويبدأ في رسم خرائطته باستخدام بقعة ضوء ودليل إيقاع، مما يعطينا صورة أوضح بكثير لمستقبل الطاقة النووية.

العنوان

شبكة عصبية عميقة متعددة المهام للتنبؤ بكل من نواتج الانشطار النووي وأخطائها التجريبية في البيانات ذات الشكل القمي

1. بيان المشكلة

تعد نواتج الانشطار النووي (FPY) بالغة الأهمية لتطبيقات الطاقة النووية، بما في ذلك تصميم المفاعلات، وتحليل السلامة، وإدارة دورة الوقود. ومع ذلك، تفتقر مكتبات البيانات النووية الحالية (مثل JENDL-5 وENDF) غالبًا إلى بيانات نواتج الانشطار لطاقات نيوترونية محددة، لا سيما للمفاعلات السريعة.

التحدي: تُظهر بيانات نواتج الانشطار (FPY) توزيعًا ذا خصائص شكل قمي (بنية ثنائية الفصوص) مع تغيرات متعرجة وغير سلسة بسبب تأثير الزوج-الفرد.
قصور الطرق الحالية:
- النماذج الظواهرية/شبه المجهرية: تلائم البيانات الموجودة جيدًا ولكنها تواجه صعوبة في التنبؤ بنواتج الانشطار غير المرصودة عند مستويات طاقة مختلفة.
- النماذج المجهرية الكاملة (مثل TDHFB وTDGCM): مكلفة حاسوبيًا للغاية.
- الشبكات العصبية البايزية (BNNs): رغم تميزها في تقدير عدم اليقين، إلا أنها تعاني في إعادة إنتاج الهياكل القمية المعقدة والمتعرجة لأنها تقرب توزيعات البيانات باستخدام فترات ثقة غاوسية، مما يؤدي إلى تنعيم القمم الحادة.
- التعلم العميق القياسي: غالبًا ما تؤدي دالات الخسارة (MSE) القياسية إلى نقص في الملاءمة (underfitting) في مناطق القمم لأن النموذج يعطي الأولوية لتقليل الخطأ عبر كامل مجموعة البيانات، متجاهلاً نقاط بيانات القمة ذات القيم العالية.

2. المنهجية

يقترح المؤلفون شبكة عصبية عميقة متعددة المهام (MT-DNN) تعتمد على بنية خليط الخبراء متعدد البوابات (MMoE) للتنبؤ في آن واحد بقيم نواتج الانشطار (FPY) والأخطاء التجريبية المرتبطة بها.

أ. البنية الأساسية: MMoE

الهيكل: يستخدم النموذج آلية بوابات لتخصيص أوزان لعدة شبكات عصبية أمامية (خبراء).
المهام: يقوم بمهمتين متزامنتين:
1. التنبؤ بقيمة نواتج الانشطار ( $\hat{y}_1$ ).
2. التنبؤ بالخطأ التجريبي لنواتج الانشطار ( $\hat{y}_2$ ).
المبرر: ترتبط قيم نواتج الانشطار وأخطاؤها ارتباطًا قويًا (النويدات ذات النواتج الأعلى غالبًا ما يكون لها أخطاء نسبية أقل). يستغل التعلم المشترك هذا الارتباط لتحسين دقة كلتا المهمتين.

ب. دالة الخسارة المبتكرة (الخسارة الموزونة)

لمعالجة نقص ملاءمة بيانات القمم الناتج عن MSE القياسي، قدم المؤلفون دالة خسارة موزونة مخصحة لمهمة التنبؤ بـ FPY:

الآلية: تخصص دالة الخسارة أوزانًا أعلى لنقاط البيانات ذات قيم FPY المعيارية الأكبر (القمم).
التعريف:
- إذا كان $normalize(y_i) < r$ (غير القمة): يتم قياس الخسارة بمعامل صغير $\beta$ .
- إذا كان $normalize(y_i) \ge r$ (القمة): يتم قياس الخسارة بـ $w(y_i) = 1 + normalize(y_i)$ .
الهدف: هذا يجبر النموذج على إعطاء الأولوية لتعلم هياكل القمم ذات النواتج العالية، وهي ضرورية للتمثيل الفيزيائي الدقيق.

ج. ميزات المدخلات وتأثير الزوج-الفرد

متجه المدخلات: يتضمن العدد الذري ( $Z$ )، والعدد النيوتروني ( $N$ )، والعدد الكتلي ( $A$ )، وطاقة الإثارة ( $E$ ).
تأثير الزوج-الفرد (Odd-Even Effect): تمت إضافة مؤشر ثنائي مساعد ( $O_i$ $O_{i}$ ) إلى المدخلات.
- $O_i = 1$ إذا كان $A$ زوجيًا (استقرار/ناتج أعلى).
- $O_i = 0$ إذا كان $A$ فرديًا.
- $O_i = 0.5$ للبيانات غير القمية لتقليل التباين حيث يكون التأثير أقل وضوحًا.
مصدر البيانات: تم اشتقاق بيانات التدريب من JENDL-5، التي توفر قيم FPY المقيمة وعدم اليقين الخاص بها (المستمد عبر طرق المربعات الصغرى المعممة).

د. تعزيز البيانات (Data Augmentation)

للتنبؤ بـ FPY عند طاقات غير مقاسة، قام المؤلفون بتوليد بيانات تكميلية باستخدام نموذج غاوسي (نموذج كاتاكورا) يمثل توزيع كتلة-الناتج. تمت إضافة هذه النقاط إلى مجموعة التدريب لسد الفجوات في تغطية الطاقة.

3. المساهمات الرئيسية

التنبؤ المتزامن: أول تطبيق لإطار عمل متعدد المهام قائم على MMoE للتنبؤ المشترك بقيم FPY وأخطائها التجريبية، مستفيدًا من ارتباطهما الجوهري.
دالة الخسارة الموزونة: تطوير دالة خسارة مبتكرة تزن بيانات التدريب ديناميكيًا لاستهداف وتحسين التنبؤ بالتوزيعات ذات الشكل القمي تحديدًا، مما يتغلب على قيود MSE القياسية.
دمج الأولويات الفيزيائية: الدمج الناجح لتأثير الزوج-الفرد كميزة مدخلات صريحة لالتقاط الطبيعة المتعرجة لإنتاج الانشطار.
الاستقراء الطاقي: إثبات قدرة النموذج على التنبؤ بـ FPY عند الطاقات المتوسطة والعالية (مثل 14 MeV) حيث تكون البيانات التجريبية شحيحة، باستخدام أولويات مولدة من نموذج غاوسي.

4. النتائج

تم تقييم الطريقة المقترحة مقابل الشبكات العصبية البايزية (BNN) والشبكات العصبية العميقة (DNN) القياسية باستخدام مقاييس خطأ $\chi^2$ عبر مختلف الأكتينيدات ( $^{235}\text{U}$ ، $^{238}\text{U}$ ، $^{239}\text{Pu}$ ، $^{241}\text{Pu}$ ) والطاقات (الحرارية، 0.5 MeV، 14 MeV).

دقة التنبؤ بالقمة: حققت الشبكة العصبية العميقة متعددة المهام مع الخسارة الموزونة + تأثير الزوج-الفرد باستمرار أدنى أخطاء $\chi^2$ لبيانات القمة مقارنة بجميع الطرق الأخرى. وقد تفوقت بشكل كبير على BNNs في إعادة إنتاج الهياكل القمية المتعرجة.
التنبؤ بخطأ FPY: حقق النهج متعدد المهام أيضًا أخطاءً أقل في التنبؤ بعدم يقين FPY مقارنة بـ DNNs أحادية المهمة وBNNs، مما يؤكد فائدة التعلم المشترك.
الاتساق الفيزيائي: نجح النموذج في إعادة إنتاج الاتجاهات الفيزيائية، مثل:
- اتساع البنية ثنائية الفصوص عند الطاقات الأعلى.
- تنعيم الهياكل الدقيقة مع زيادة درجة الحرارة.
- انزياح قمم شظايا الانشطار بسبب انبعاث النيوترونات الفورية.
التنبؤات السالبة: قللت الطريقة المقترحة بشكل جذري من معدل تنبؤات FPY السالبة غير المنطقية فيزيائيًا (8.29%) مقارنة بـ BNNs (17.52%).
تعزيز البيانات: وفر استخدام 6 أقسام من البيانات التكميلية المولدة غاوسيًا (535 نقطة) التوازن الأمثل للتنبؤ بـ FPY عند الطاقات غير المقاسة.

5. الأهمية والخاتمة

يُظهر هذا البحث أن التعلم متعدد المهام المقترن بـ دالات خسارة مستندة إلى الفيزياء يعد نهجًا متفوقًا للتنبؤ بالبيانات النووية مقارنة بالنماذج الإحصائية التقليدية أو التعلم العميق القياسي.

الأثر العملي: القدرة على التنبؤ بدقة بـ FPY وعدم اليقين الخاص بها عند الطاقات غير المقاسة أمر بالغ الأهمية لتصميم وتقييم سلامة المفاعلات السريعة من الجيل التالي وإدارة النفايات النووية (إعادة المعالجة والتخلص الجيولوجي).
التحول المنهجي: تسلط الدراسة الضوء على أنه بينما تعد BNNs قوية في تقدير عدم اليقين، إلا أنها قد تكون دون المستوى الأمثل في التقاط الهياكل الفيزيائية المعقدة وغير الغاوسية مثل قمم الانشطار. يوفر النهج الحتمي متعدد المهام المقترح حلاً أكثر قوة للتنبؤ بالهيكل مع توفير تقديرات الخطأ أيضًا.
العمل المستقبلي: يخطط المؤلفون لتوسيع نطاق التحقق ليشمل مجموعة أوسع من النويدات وتطوير أطر عمل قائمة على المحاكاة لتقدير أخطاء FPY للبيانات التكميلية حيث لا تتوفر معلومات التغاير التجريبية حاليًا.