Neutron Double-Differential Cross Sections for Spallation Reactions from an ANN Model

Auf der Suche nach saubererer, sichererer Kernenergie blicken Wissenschaftler auf ein Konzept, das als beschleunigergetriebenes System bekannt ist. Stellen Sie sich eine Maschine vor, die nicht auf einer selbst erhältten Kettenreaktion wie ein herkömmliches Kraftwerk basiert, sondern stat einen leistungsstarken Teilchenstrahl verwendet, der auf ein schweres Metallziel prallt. Diese heftige Kollision, genannt Spallation, zertrümmert die schweren Atome und setzt eine Flut von Neutronen frei. Diese Neutronen treiben dann eine sekundäre Reaktion an, die langlebigen radioaktiven Abfall verbrennen und Energie aus Materialien gewinnen kann, die ansonsten unbrauchbar wären. Um eine solche Maschine zu entwerfen, müssen Ingenieure genau wissen, wie viele Neutronen erzeugt werden, wie schnell sie sich bewegen und in welche Richtung sie fliegen, wenn der Strahl auf das Ziel trifft. Diese Informationen sind entscheidend für die Sicherheit und Effizienz, doch die Vorhersage dieser Parameter war lange Zeit eine schwierige Herausforderung, da die Physik dieser Hochgeschwindigkeitskollisionen unglaublich komplex ist.

Jahrzehntelang versuchten Forscher, diese Ereignisse mithilfe detaillierter Computermodelle basierend auf den Gesetzen der Physik zu simulieren. Diese Modelle versuchen, jede Wechselwirkung zwischen den Teilchen innerhalb des Kerns zu verfolgen, scheitern jedoch oft daran, die realen Messungen perfekt abzubilden. Manchmal sagen die Modelle zu viele Neutronen voraus, manchmal zu wenige, und die Abweichungen können größer sein als die Unsicherheiten in den Experimenten selbst. Da das Verhalten dieser Teilchen von so vielen Faktoren abhängt – der Geschwindigkeit des einfallenden Strahls, der Art des getroffenen Metalls und dem Winkel, unter dem die Neutronen entweichen –, hat sich die Erstellung einer einzigen, perfekten Formel als schwer erweisbar erwiesen. Die Komplexität ist so groß, dass selbst die fortschrittlichsten physikalischen Simulationen subtile Muster in den Daten übersehen können, was Ingenieure ohne die präzisen Zahlen zurücklässt, die sie für den Bau der nächsten Generation von Kernreaktoren benötigen.

Um dieses Problem zu lösen, hat ein Team von Forschern der Chinesischen Akademie der Wissenschaften und der Lanzhou University einen anderen Ansatz gewählt: Sie ließen die Daten für sich selbst sprechen. Anstatt zu versuchen, die Physik in einen starren Satz von Gleichungen zu zwingen, bauten sie ein flexibles, datengesteuertes Modell unter Verwendung eines künstlichen neuronalen Netzes. Dies ist eine Art von Computerprogramm, das davon inspiriert ist, wie das menschliche Gehirn lernt, und das in der Lage ist, verborgene Muster in riesigen Mengen von Informationen zu finden. Die Forscher speisten ihr Modell mit Tausenden von experimentellen Messungen aus Laboren auf der ganzen Welt, die ein breites Spektrum an Targetmaterialien und Strahlenergien abdeckten. Durch das Training des Netzwerks mit diesen realen Beobachtungen, einschließlich der natürlichen Unsicherheiten in den Messungen, schufen sie ein Werkzeug, das das Verhalten von Neutronen mit bemerkenswerter Genauigkeit vorhersagen kann.

Das Team entdeckte, dass sie durch die sorgfältige Auswahl der richtigen Informationen, die in den Computer eingespeist wurden, die wesentliche Physik erfassen konnten, ohne jede einzelne Kollision simulieren zu müssen. Sie fanden heraus, dass das Modell am besten funktionierte, wenn es spezifische Details über den Flugwinkel der Neutronen, die Energie des einfallenden Strahls sowie die Größe und Zusammensetzung des Zielkerns erhielt. Überraschenderweise stellten sie auch fest, dass das Hinzufügen bestimmter zusätzlicher Details das Modell tatsächlich weniger genau machte, während das Weglassen anderer keine Auswirkungen hatte. Das endgültige, gestraffte Modell lernte, die komplexen Formen der Neutronenenergiespektren zu reproduzieren, einschließlich der scharfen Spitzen, die auftreten, wenn Teilchen auf eine bestimmte Weise voneinander abprallen. Diese Spitzen sind für traditionelle Physik-Codes schwer korrekt darzustellen, aber das neuronale Netz erfasste sie auf natürliche Weise, weil es sie in den experimentellen Daten gesehen hatte.

Einer der bedeutendsten Tests für dieses neue Modell war seine Fähigkeit, Ergebnisse für Situationen vorherzusagen, die es zuvor noch nie gesehen hatte. Die Forscher testeten das Modell anhand experimenteller Daten für Indium-Targets, Strahlenergien von 597, 1000 und 1500 MeV sowie Neutronenwinkel von 90 Grad, die allesamt nicht im Trainingsdatensatz enthalten waren. In diesen Fällen stimmten die Vorhersagen des Modells eng mit den tatsächlichen experimentellen Daten überein, was eine starke Generalisierungsfähigkeit demonstrierte. Die Forscher stellten jedoch auch eine Grenze dieser Leistungsfähigkeit fest: Als sie versuchten, auf eine wesentlich höhere Strahlenergie von 3000 MeV zu extrapolieren, stimmten die Vorhersagen des Modells nicht gut mit den Daten überein, insbesondere bei niedrigen Neutronenenergien und im hochenergetischen Ausläufer (High-Energy Tail). Um den Nutzen des Modells weiter zu untersuchen, generierten die Forscher detaillierte Vorhersagen für ein Kupfertarget, ein Material, das weder in der Trainings- noch in der Testphase verwendet wurde. Diese Kupfer-Ergebnisse werden als Ressource für zukünftige Validierungen präsentiert und nicht als bestätigter Vergleich gegenüber bestehenden Messungen.

Die Forscher untersuchten auch, wie sie das Modell robust genug machen konnten, um mit dem Rauschen und den Unvollkommenheiten umzugehen, die in realen experimentellen Daten inhärent sind. Sie fanden heraus, dass der Versuch, die Daten zu glätten oder das Modell zu simpel zu halten, die Leistung tatsächlich verschlechterte, da es die wichtigen Spitzen und Täler in der Neutronenenergieverteilung übersehen würde. Stattdessen lernte das Netzwerk durch das Training auf vielen leicht unterschiedlichen Versionen der Daten, die die natürlichen experimentellen Fehler enthielten, das Rauschen zu ignorieren und gleichzeitig das wahre Signal beizubehalten. Dieser Ansatz ermöglichte es dem Modell, flexibel und genau zu bleiben, ohne durch die kleinen Fluktuationen, die bei jeder physikalischen Messung unvermeidlich sind, verwirrt zu werden.

Diese Arbeit stellt eine Verschiebung in der Art und Weise dar, wie Wissenschaftler komplexe nukleare Probleme angehen. Anstatt sich ausschließlich auf theoretische Simulationen zu verlassen, die subtile Details übersehen könnten, demonstrierte das Team, dass ein datengesteuerter Ansatz die zugrunde liegenden Muster direkt aus der Natur lernen kann. Das resultierende Modell ist nicht nur eine theoretische Übung; es ist ein praktisches Werkzeug, das verwendet werden kann, um das Design von beschleunigergetriebenen Systemen zu verbessern, die als vielversprechender Weg für das Management von Atommüll und die Energiegewinnung gelten. Indem es eine hochpräzise Karte darüber liefert, wie sich Neutronen während der Spallation verhalten, hilft dieses neue Modell Ingenieuren, sicherere und effizientere Reaktoren zu bauen. Der Erfolg dieser Methode legt nahe, dass ähnliche datengesteuerte Techniken auch auf andere Bereiche der Kernphysik angewendet werden könnten, was potenziell zu einer neuen Ära führt, in der maschinelles Lernen und experimentelle Daten zusammenarbeiten, um einige der anspruchsvollsten Probleme der Energiewissenschaft zu lösen.