Neutron Double-Differential Cross Sections for Spallation Reactions from an ANN Model
تقدم هذه الورقة نموذج شبكة عصبية اصطناعية دقيقاً ومرناً وقابلاً للتعميم، تم تدريبه على بيانات تجريبية للتنبؤ بالمقاطع العرضية التفاضلية المزدوجة للنيوترونات في تفاعلات التفتت، مما يوفر فوائد كبيرة لتصميم الأنظمة المدفوعة بالمسرعات ومختلف تطبيقات الفيزياء النووية.
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
في السعي وراء طاقة نووية أنظف وأكثر أمانًا، يتطلع العلماء نحو مفهوم يُعرف باسم "النظام المدفوع بالمسرع". تخيل آلة لا تعتمد على تفاعل متسلسل ذاتي الاستدامة مثل محطات الطاقة التقليدية، بل تستخدم حزمة قوية من الجسيمات لتصطدم بهدف معدني ثقيل. هذا الاصطدام العنيف، المسمى "التفتت" (spallation)، يحطم الذرات الثقيلة ويطلق فيضًا من النيوترونات. تقوم هذه النيوترونات بعد ذلك بقيادة تفاعل ثانوي يمكنه حرق النفايات المشعة طويلة العمر وتوليد الطاقة من مواد قد تكون عديمة الفائدة لولا ذلك. ولتصميم مثل هذه الآلة، يحتاج المهندسون إلى معرفة عدد النيوترونات المنتجة بدقة، ومدى سرعتها، وفي أي اتجاه تطير عندما تصطدم الحزمة بالهدف. هذه المعلومات حاسمة للسلامة والكفاءة، ومع ذلك، كان التنبؤ بها تحديًا صعبًا لفترة طويلة لأن فيزياء هذه الاصطدامات عالية السرعة معقدة للغاية.
لعقود من الزمن، حاول الباحثون محاكاة هذه الأحداث باستخدام نماذج حاسوبية مفصلة تعتمد على قوانين الفيزياء. تحاول هذه النماذج تتبع كل تفاعل بين الجسيمات داخل النواة، لكنها غالبًا ما تجد صعوبة في مطابقة القياسات الواقعية بشكل مثالي. فأحيانًا تتوقع النماذج نيوترونات أكثر من اللازم، وأحيانًا أقل، ويمكن أن تكون الفروقات أكبر من نسب عدم اليقين في التجارب نفسها. وبما أن سلوك هذه الجسيمات يعتمد على عوامل كثيرة — مثل سرعة الحزمة القادمة، ونوع المعدن الذي تُصدم به، والزاوية التي تهرب منها النيوترونات — فقد ثبت أن إنشاء صيغة واحدة مثالية أمر بعيد المنال. إن التعقيد كبير لدرجة أن أكثر محاكيات الفيزياء تقدمًا يمكن أن تغفل عن أنماط دقيقة في البيانات، مما يترك المهندسين دون الأرقام الدقيقة التي يحتاجونها لبناء الجيل القادم من المفاعلات النووية.
ولحل هذه المشكلة، لجأ فريق من الباحثين من الأكاديمية الصينية للعلوم وجامعة لانزو إلى نهج مختلف: لقد تركوا البيانات تتحدث عن نفسها. فبدلاً من محاولة إجبار الفيزياء على الانصياع لمجموعة جامدة من المعادلات، بنوا نموذجًا مرنًا يعتمد على البيانات باستخدام شبكة عصبية اصطناعية. وهذا النوع من البرامج الحاسوبية مستوحى من الطريقة التي يتعلم بها الدماغ البشري، وهو قادر على إيجية أنماط خفية في كميات هائلة من المعلومات. قام الباحثون بتغذية نموذجهم بآلاف القياسات التجريبية من مختبرات حول العالم، تغطي نطاقًا واسعًا من المواد المستهدفة وطاقات الحزم. ومن خلال تدريب الشبكة على هذه الملاحظات الواقعية، بما في ذلك حالات عدم اليقين الطبيعية في القياسات، أنشأوا أداة يمكنها التنبؤ بسلوك النيوترونات بدقة ملحوظة.
اكتشف الفريق أنه من خلال الاختيار الدقيق للمعلومات الصحيحة لتغذية الحاسوب، استطاعوا التقاط الفيزياء الأساسية دون الحاجة إلى محاكاة كل اصطدام على حدة. ووجدوا أن النموذج يعمل بشكل أفضل عندما يتم تزويده بتفاصيل محددة حول زاوية طيران النيوترون، وطاقة الحزمة القادمة، وحجم وتكوين النواة المستهدفة. ومن المثير للدهشة، وجدوا أيضًا أن إضافة بعض التفاصيل الإضافية جعلت النموذج أقل دقة، بينما لم يكن لترك تفاصيل أخرى أي تأثير. تعلم النموذج المبسط النهائي إعادة إنتاج الأشكال المعقدة لأطياف طاقة النيوترونات، بما في ذلك القمم الحادة التي تحدث عندما ترتد الجسيمات عن بعضها البعض بطرق معينة. هذه القمم يصعب على أكواد الفيزياء التقليدية ضبطها، لكن الشبكة العصبية التقطتها بشكل طبيعي لأنها رأتها في البيانات التجريبية.
كان أحد أهم الاختبارات لهذا النموذج الجديد هو قدرته على التنبؤ بالنتائج لحالات لم يسبق له رؤيتها من قبل. اختبر الباحثون النموذج مقابل بيانات تجريبية لأهداف من الإنديوم، وطاقات حزم تبلغ 597 و1000 و1500 ميجا إلكترون فولت، وزوايا نيوترونات عند 90 درجة، وكلها لم تكن مدرجة في مجموعة التدريب. في هذه الحالات، تماشى تنبؤ النموذج عن كثب مع البيانات التجريبية الفعلية، مما أظهر قدرات تعميم قوية. ومع ذلك، لاحظ الباحثون أيضًا حدًا لهذه القدرة: فعندما حاولوا التوسع للتنبؤ بطاقة حزمة أعلى بكثير تصل إلى 3000 ميجا إلكترون فولت، لم تتفق تنبؤات النموذج جيدًا مع البيانات، خاصة عند طاقات النيوترونات المنخفضة وفي ذيل الطاقة العالية. ولزيادة استكشاف فائدة النموذج، أنجز الباحثون تنبؤات مفصلة لهدف من النحاس، وهي مادة لم تُستخدم في مرحلتي التدريب أو الاختبار. وتُقدم نتائج النحاس هذه كمورد للتحقق المستقبلي، وليس كمقارنة مؤكدة ضد قياسات موجودة.
استكشف الباحثون أيضًا كيفية جعل النموذج قويًا بما يكفي للتعامل مع الضجيج والعيوب المتأصلة في البيانات التجريبية الحقيقية. ووجدوا أن محاولة تنعيم البيانات أو إجبار النموذج على أن يكون بسيطًا للغاية أدى في الواقع إلى إضعاف أدائه، مما تسبب في فقدان القمم والوديان المهمة في توزيع طاقة النيوترونات. بدلاً من ذلك، ومن خلال تدريب النموذج على نسخ عديدة مختلفة قليلاً من البيانات التي تتضمن الأخطاء التجريبية الطبيعية، تعلمت الشبكة تجاهل الضجيج مع الحفاظ على الإشارة الحقيقية. سمح هذا النهج للنموذج بأن يظل مرنًا ودقيقًا دون أن يرتبك بسبب التقلبات الصغيرة التي لا يمكن تجنبها في أي قياس فيزيائي.
يمثل هذا العمل تحولًا في كيفية مقاربة العلماء للمشكلات النووية المعقدة. فبدلاً من الاعتماد حصريًا على المحاكاة النظرية التي قد تغفل عن التفاصيل الدقيقة، أثبت الفريق أن النهج القائم على البيانات يمكنه تعلم الأنماط الأساسية مباشرة من الطبيعة. إن النموذج الناتج ليس مجرد تمرين نظري؛ بل هو أداة عملية يمكن استخدامها لتحسين تصميم الأنظمة المدفوعة بالمسرعات، والتي تُعتبر مسارًا واعدًا لإدارة النفايات النووية وتوليد الطاقة. ومن خلال توفير خريطة عالية الدقة لكيفية سلوك النيوترونات أثناء عملية التفتت، يساعد هذا النموذج الجديد المهندسين على بناء مفاعلات أكثر أمانًا وكفاءة. ويشير نجاح هذه الطريقة إلى إمكانية تطبيق تقنيات مماثلة تعتمد على البيانات في مجالات أخرى من الفيزياء النووية، مما قد يؤدي إلى عصر جديد يعمل فيه التعلم الآلي والبيانات التجريبية معًا لحل أكثر المشكلات تحديًا في علوم الطاقة.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.