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

Dans la quête d'une énergie nucléaire plus propre et plus sûre, les scientifiques se tournent vers un concept connu sous le nom de système piloté par accélérateur. Imaginez une machine qui ne repose pas sur une réaction en chaîne autoentretenue comme une centrale traditionnelle, mais qui utilise plutôt un puissant faisceau de particules pour percuter une cible de métal lourd. Cette collision violente, appelée spallation, brise les atomes lourds et libère un déluge de neutrons. Ces neutrons entraînent ensuite une réaction secondaire capable de consumer les déchets radioactifs à longue durée de vie et de générer de l'énergie à partir de matériaux qui seraient autrement inutilisables. Pour concevoir une telle machine, les ingénieurs doivent savoir exactement combien de neutrons sont produits, à quelle vitesse ils se déplacent et dans quelle direction ils s'envolent lorsque le faisceau frappe la cible. Cette information est cruciale pour la sécurité et l'efficacité, pourtant la prédire est depuis longtemps un défi de taille car la physique de ces collisions à haute vitesse est incroyablement complexe.

Pendant des décennies, les chercheurs ont tenté de simuler ces événements à l'aide de modèles informatiques détaillés basés sur les lois de la physique. Ces modèles tentent de suivre chaque interaction entre les particules à l'intérieur du noyau, mais ils peinent souvent à correspondre parfaitement aux mesures du monde réel. Parfois, les modèles prédisent trop de neutrons, parfois pas assez, et les différences peuvent être plus importantes que les incertitudes des expériences elles-mêmes. Comme le comportement de ces particules dépend de nombreux facteurs — la vitesse du faisceau incident, le type de métal frappé et l'angle sous lequel les neutrons s'échappent — la création d'une formule unique et parfaite s'est avérée insaisissable. La complexité est telle que même les simulations physiques les plus avancées peuvent manquer des motifs subtils dans les données, laissant les ingénieurs sans les chiffres précis dont ils ont besoin pour construire la prochaine génération de réacteurs nucléaires.

Pour résoudre ce problème, une équipe de chercheurs de l'Académie chinoise des sciences et de l'Université de Lanzhou s'est tournée vers une approche différente : ils ont laissé les données parler d'elles-mêmes. Au lieu d'essayer de forcer la physique dans un ensemble rigide d'équations, ils ont construit un modèle flexible, piloté par les données, en utilisant un réseau de neurones artificiels. Il s'agit d'un type de programme informatique inspiré de la façon dont le cerveau humain apprend, capable de trouver des motifs cachés dans de vastes quantités d'informations. Les chercheurs ont alimenté leur modèle avec des milliers de mesures expérimentales provenant de laboratoires du monde entier, couvrant une large gamme de matériaux cibles et d'énergies de faisceau. En entraînant le réseau sur ces observations réelles, incluant les incertitudes naturelles des mesures, ils ont créé un outil capable de prédire le comportement des neutrons avec une précision remarquable.

L'équipe a découvert qu'en sélectionnant soigneusement les bonnes informations à injecter dans l'ordinateur, elle pouvait capturer la physique essentielle sans avoir besoin de simuler chaque collision individuellement. Ils ont constaté que le modèle fonctionnait mieux lorsqu'on lui fournissait des détails spécifiques sur l'angle de vol du neutron, l'énergie du faisceau incident ainsi que la taille et la composition du noyau cible. Étonnamment, ils ont également découvert que l'ajout de certains détails supplémentaires rendait en fait le modèle moins précis, tandis que l'omission d'autres n'avait aucun effet. Le modèle final, rationalisé, a appris à reproduire les formes complexes des spectres d'énergie des neutrons, y compris les pics aigus qui se produisent lorsque les particules rebondissent les unes sur les autres de manières spécifiques. Ces pics sont difficiles à obtenir correctement avec les codes physiques traditionnels, mais le réseau de neurones les a capturés naturellement parce qu'il les avait vus dans les données expérimentales.

L'un des tests les plus significatifs de ce nouveau modèle fut sa capacité à prédire des résultats pour des situations qu'il n'avait jamais rencontrées auparavant. Les chercheurs ont testé le modèle par rapport à des données expérimentales pour des cibles d'indium, des énergies de faisceau de 597, 1000 et 1500 MeV, et des angles de neutrons de 90 degrés, lesquels n'étaient pas inclus dans l'ensemble d'entraînement. Dans ces cas, les prédictions du modèle s'alignaient étroitement avec les données expérimentales réelles, démontrant de fortes capacités de généralisation. Cependant, les chercheurs ont également noté une limite à ce pouvoir : lorsqu'ils ont tenté d'extrapoler vers une énergie de faisceau beaucoup plus élevée de 3000 MeV, les prédictions du modèle ne concordaient pas bien avec les données, particulièrement aux basses énergies de neutrons et dans la queue de haute énergie. Pour explorer davantage l'utilité du modèle, les chercheurs ont généré des prédictions détaillées pour une cible de cuivre, un matériau qui n'avait été utilisé ni dans la phase d'entraînement ni dans la phase de test. Ces résultats pour le cuivre sont présentés comme une ressource pour une validation future, plutôt que comme une comparaison confirmée par des mesures existantes.

Les chercheurs ont également exploré comment rendre le modèle suffisamment robuste pour gérer le bruit et les imperfections inhérents aux données expérimentales réelles. Ils ont constaté que tenter de lisser les données ou de forcer le modèle à être excessivement simple nuisait en réalité à ses performances, le faisant manquer les pics et les creux importants dans la distribution de l'énergie des neutrons. Au lieu de cela, en entraînant le modèle sur de nombreuses versions légèrement différentes des données incluant les erreurs expérimentales naturelles, le réseau a appris à ignorer le bruit tout en conservant le signal véritable. Cette approche a permis au modèle de rester flexible et précis sans être perturbé par les petites fluctuations inévitables dans toute mesure physique.

Ce travail représente un changement dans la manière dont les scientifiques abordent les problèmes nucléaires complexes. Plutôt que de s'appuyer uniquement sur des simulations théoriques qui peuvent manquer des détails subtils, l'équipe a démontré qu'une approche pilotée par les données peut apprendre les motifs sous-jacents directement à partir de la nature. Le modèle résultant n'est pas seulement un exercice théorique ; c'est un outil pratique qui peut être utilisé pour améliorer la conception des systèmes pilotés par accélérateur, qui sont considérés comme une voie prometteuse pour la gestion des déchets nucléaires et la production d'énergie. En fournissant une carte de haute précision sur le comportement des neutrons lors de la spallation, ce nouveau modèle aide les ingénieurs à construire des réacteurs plus sûrs et plus efficaces. Le succès de cette méthode suggère que des techniques similaires pilotées par les données pourraient être appliquées à d'autres domaines de la physique nucléaire, menant potentiellement à une nouvelle ère où l'apprentissage automatique et les données expérimentales travaillent de concert pour résoudre certains des problèmes les plus difficiles de la science de l'énergie.