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

En la búsqueda de una energía nuclear más limpia y segura, los científicos están mirando hacia un concepto conocido como el sistema impulsado por aceleradores. Imagine una máquina que no depende de una reacción en cadena autosostenida como una planta de energía tradicional, sino que utiliza un potente haz de partículas para chocar contra un blanco de metal pesado. Esta colisión violenta, llamada espalación, fragmenta los átomos pesados y libera una inundación de neutrones. Estos neutrones impulsan una reacción secundaria que puede consumir residuos radiactivos de larga duración y generar energía a partir de materiales que, de otro modo, serían inútiles. Para diseñar una máquina así, los ingenieros necesitan saber exactamente cuántos neutrones se producen, qué tan rápido se mueven y en qué dirección vuelan cuando el haz golpea el blanco. Esta información es crucial para la seguridad y la eficiencia, pero predecirla ha sido durante mucho tiempo un desafío difícil porque la física de estas colisiones a alta velocidad es increíblemente compleja.

Durante décadas, los investigadores han intentado simular estos eventos utilizando modelos computacionales detallados basados en las leyes de la física. Estos modelos intentan rastrear cada interacción entre las partículas dentro del núcleo, pero a menudo luchan por coincidir perfectamente con las mediciones del mundo real. A veces los modelos predicen demasiados neutrones, otras veces muy pocos, y las diferencias pueden ser mayores que las incertidumbres en los experimentos mismos. Debido a que el comportamiento de estas partículas depende de tantos factores —la velocidad del haz entrante, el tipo de metal que es golpeado y el ángulo con el que escapan los neutrones—, la creación de una fórmula única y perfecta ha resultado ser elusiva. La complejidad es tal que incluso las simulaciones físicas más avanzadas pueden pasar por alto patrones sutiles en los datos, dejando a los ingenieros sin los números precisos que necesitan para construir la próxima generación de reactores nucleares.

Para resolver este problema, un equipo de investigadores de la Academia China de Ciencias y la Universidad de Lanzhou ha recurrido a un enfoque diferente: han dejado que los datos hablen por sí mismos. En lugar de intentar forzar la física en un conjunto rígido de ecuaciones, construyeron un modelo flexible basado en datos, utilizando una red neuronal artificial. Este es un tipo de programa informático inspirado en la forma en que el cerebro humano aprende, capaz de encontrar patrones ocultos en vastas cantidades de información. Los investigadores alimentaron su modelo con miles de mediciones experimentales de laboratorios de todo el mundo, cubriendo una amplia gama de materiales de blanco y energías de haz. Al entrenar la red con estas observaciones del mundo real, incluyendo las incertidumbres naturales en las mediciones, crearon una herramienta que puede predecir el comportamiento de los neutrones con una precisión notable.

El equipo descubrió que, al seleccionar cuidadosamente las piezas de información adecuadas para alimentar a la computadora, podían capturar la física esencial sin necesidad de simular cada colisión individual. Encontraron que el modelo funcionaba mejor cuando se le daban detalles específicos sobre el ángulo de vuelo del neutrón, la energía del haz entrante y el tamaño y composición del núcleo del blanco. Sorprendentemente, también descubrieron que añadir ciertos detalles extra de hecho hacía que el modelo fuera menos preciso, mientras que omitir otros no tenía efecto. El modelo final y optimizado aprendió a reproducir las formas complejas de los espectros de energía de los neutrones, incluyendo los picos agudos que ocurren cuando las partículas rebotan entre sí de maneras específicas. Estos picos son difíciles de lograr correctamente para los códigos de física tradicionales, pero la red neuronal los capturó de forma natural porque los había visto en los datos experimentales.

Una de las pruebas más significativas de este nuevo modelo fue su capacidad para predecir resultados para situaciones que nunca había visto antes. Los investigadores probaron el modelo con datos experimentales para blancos de indio, energías de haz de 597, 1000 y 1500 MeV, y ángulos de neutrones de 90 grados, ninguno de los cuales estaba incluido en el conjunto de entrenamiento. En estos casos, las predicciones del modelo se alinearon estrechamente con los datos experimentales reales, demostrando fuertes capacidades de generalización. Sin embargo, los investigadores también notaron un límite a este poder: cuando intentaron extrapolar a una energía de haz mucho mayor de 3000 MeV, las predicciones del modelo no concordaron bien con los datos, particularmente en las bajas energías de neutrones y en la cola de alta energía. Para explorar más la utilidad del modelo, los investigadores generaron predicciones detalladas para un blanco de cobre, un material no utilizado en las fases de entrenamiento o prueba. Estos resultados de cobre se presentan como un recurso para validaciones futuras, en lugar de como una comparación confirmada contra mediciones existentes.

Los investigadores también exploraron cómo hacer que el modelo fuera lo suficientemente robusto para manejar el ruido y las imperfecciones inherentes a los datos experimentales reales. Encontraron que intentar suavizar los datos o forzar al modelo a ser excesivamente simple en realidad perjudicaba su rendimiento, haciendo que perdiera los picos y valles importantes en la distribución de la energía de los neutrones. En cambio, al entrenar el modelo con muchas versiones ligeramente diferentes de los datos que incluían los errores experimentales naturales, la red aprendió a ignorar el ruido mientras mantenía la señal verdadera. Este enfoque permitió que el modelo permaneciera flexible y preciso sin confundirse por las pequeñas fluctuaciones que son inevitables en cualquier medición física.

Este trabajo representa un cambio en cómo los científicos abordan los problemas nucleares complejos. En lugar de depender únicamente de simulaciones teóricas que pueden pasar por alto detalles sutiles, el equipo demostró que un enfoque basado en datos puede aprender los patrones subyacentes directamente de la naturaleza. El modelo resultante no es solo un ejercicio teórico; es una herramienta práctica que puede utilizarse para mejorar el diseño de los sistemas impulsados por aceleradores, los cuales se ven como un camino prometedor para la gestión de los residuos nucleares y la generación de energía. Al proporcionar un mapa de alta precisión sobre cómo se comportan los neutrones durante la espalación, este nuevo modelo ayuda a los ingenieros a construir reactores más seguros y eficientes. El éxito de este método sugiere que técnicas similares basadas en datos podrían aplicarse a otras áreas de la física nuclear, conduciendo potencialmente a una nueva era donde el aprendizaje automático y los datos experimentales trabajen juntos para resolver algunos de los problemas más desafiantes de la ciencia de la energía.