Physics-Embedded Bayesian Neural Network (PE-BNN) to predict Energy Dependence of Fission Product Yields with Fine Structures

本研究は、核物理の事前知識（エネルギー非依存の現象論的殻因子）をベイズ確率論的ニューラルネットワークに組み込むことで、微細構造を伴う中性子エネルギー依存性の核分裂生成物収率を高精度に予測する新しいフレームワーク「PE-BNN」を提案し、その有効性を示したものである。

要約

この論文は、「原子力発電所の燃料が分裂する（核分裂）ときに、どんな小さな破片がどれだけ生まれるか」を、AI と物理の知識を組み合わせて、これまでになく高精度に予測する新しい方法を紹介しています。

専門用語を避け、日常の風景に例えて解説します。

1. 何が問題だったのか？（「おまじない」だけでは足りない）

原子核が分裂すると、大きな破片（核分裂生成物）が生まれます。この破片の「重さの分布」には、**「細かい波打つ模様（微細構造）」**があります。

• 従来の方法：
  • 実験データ： 特定のエネルギー（中性子の速さ）で測ったデータはありますが、その「間」の値は、ただ直線でつなぐ（補間）しかできませんでした。でも、実は線ではなく、波のように複雑に変化していることがわかってきました。
  • 物理モデル： 理論計算はできますが、この「細かい波」を完璧に再現するのは難しく、まるで「大まかな輪郭は描けるが、顔の表情までは描ききれない」ような状態でした。
  • AI（機械学習）： 最近の AI はデータからパターンを学ぶのが得意ですが、ただデータを与えただけでは「物理法則」を無視した、意味のわからない予測をしてしまうことがありました。

2. 彼らが開発した「魔法のレシピ」：PE-BNN

研究者たちは、**「物理の知識を AI の頭の中に組み込んだ」**新しい AI（PE-BNN）を作りました。

• AI（貝殻の貝）：
  従来の AI は、ただ大量のデータ（貝の形）を見て「似ているもの」を探すだけでした。
• 物理知識（貝の成長ルール）：
  ここでの「物理知識」とは、**「原子核の殻（しells）」**という概念です。原子核には、水や空気が入った「殻」のような構造があり、それが安定しているかどうかで、分裂の仕方が変わります。
• 新しいアプローチ：
  この研究では、AI に**「殻の安定性」というルール**を、最初から入力データとして教えてあげました。
  • 例え話： 料理を作る際、AI におまかせするのではなく、「塩は少しだけ、火加減は強めに」という**「お母さんの勘（物理法則）」**をレシピに書き込んでから、AI に料理をさせています。

3. 具体的な成果：「波」を捉えること

この新しい AI は、以下のような素晴らしい結果を出しました。

• 細かい波の再現：
  従来の AI や理論では見逃していた「重さごとの細かい波（微細構造）」を、見事に再現できました。まるで、荒波の海で、大きな波だけでなく、小さな波の揺れまで正確に予測できるようになった感じです。
• エネルギー変化の予測：
  中性子の速さ（エネルギー）が変わると、分裂の仕方も変わります。
  • 軽い破片： エネルギーが変わっても、あまり形が変わりません（安定している）。
  • 重い破片： エネルギーが上がると、形が大きく変わります（不安定になる）。
    この「エネルギーによる変化」を、AI は物理のルールを学んだおかげで、「なぜそうなるのか」を理解した上で予測できました。

4. 驚くべきこと：「予言」が当たった

最もすごい点は、**「予習していないこと」**を正しく予測できたことです。

• 訓練データ： AI は「分裂した破片のデータ」だけで学習しました。「中性子が何個飛び出すか」というデータは一切教えていません。
• 結果： にもかかわらず、AI が予測した「破片の分布」は、実際に観測される「飛び出す中性子の数」という物理現象と、完璧に一致しました。
• 意味： これは、AI が単にデータを丸暗記したのではなく、「分裂という現象の根本的なルール（物理法則）」を、データから自ら見つけ出し、理解したことを意味します。まるで、生徒に「公式」を教えずに問題集だけ解かせたのに、テストで「公式」を導き出して正解したようなものです。

5. なぜこれが重要なのか？

この技術は、単なる学術的な興味を超えて、実社会に大きな影響を与えます。

• 原子力発電の安全： 発電所の設計や安全性評価には、正確なデータが必要です。この AI は、実験で測れないエネルギー領域でも、信頼できるデータを「予言」できます。
• 核の謎の解明： 原子核がどう分裂するかという、90 年近く続く物理学の難問に対して、新しい視点（AI と物理の融合）を提供しました。

まとめ

この論文は、**「AI という天才的な計算機に、物理学者の『直感（ルール）』を教えることで、原子核分裂という複雑な現象を、これまでになく正確に、かつ『なぜそうなるか』がわかる形で予測できるようになった」**という画期的な成果を報告しています。

まるで、**「天気予報 AI に、気象学の教科書を読ませたところ、過去のデータだけでなく、未来の嵐の動きまで完璧に予測できるようになった」**ようなものです。

技術概要

以下は、提示された論文「Physics-Embedded Bayesian Neural Network (PE-BNN) to predict Energy Dependence of Fission Product Yields with Fine Structures」の技術的な要約です。

1. 研究の背景と課題 (Problem)

核分裂反応のメカニズム理解は依然として核物理学における主要な課題であり、特に**核分裂生成物収量（FPY: Fission Product Yields）**の精密な予測は、原子炉設計、核フォレンジック、天体物理学的核合成において不可欠です。
既存の課題は以下の通りです：

• 微細構造の再現困難性: 従来の核物理モデルや経験的データモデルは、同位体や入射中性子エネルギーに依存する FPY の「微細構造（Fine Structures）」を完全に再現できていません。
• エネルギー依存性の不確実性: 現在の核データライブラリ（JENDL-5 など）は、主に熱中性子（0.025 eV）、0.5 MeV、14 MeV の 3 点でのみ収量を定義しています。中間エネルギー領域は線形補間によって推定されますが、近年の実験によりこの補間が実際の挙動と大きく乖離していることが示されています。
• 実験データの限界: 単色中性子源へのアクセス制限により、広範囲のエネルギーでの包括的な実験データが不足しており、堅牢な理論モデルの必要性が高まっています。

2. 提案手法 (Methodology)

著者らは、核物理の事前知識を統合した**物理埋め込みベイズ型ニューラルネットワーク（PE-BNN）**を提案しました。従来のデータ駆動型アプローチを超え、物理法則をモデル構造に組み込むことで解釈性と精度を両立させています。

• ベイズ型ニューラルネットワーク（BNN）:

  • モデルパラメータの事後分布をベイズの定理に基づいて推定し、予測の不確実性を定量化します。
  • 学習には NUTS（No-U-Turn Sampler）を用いたハミルトニアンモンテカルロ法を採用し、NumPyro ライブラリで計算を行いました。
  • 超パラメータの最適化には、モデル選択基準として**WAIC（Watanabe-Akaike Information Criterion）**を使用しました。

• 物理埋め込み入力特徴量（Shell Factor: SF）:

  • 従来の入力変数（質量数 $A$、複合核の原子番号・質量数、励起エネルギー $E$）に加え、**殻効果（Shell Effects）**を反映する新しい入力項「シェルファクター（SF）」を導入しました。
  • SF は、断熱（scission）点における殻構造を表現する現象論的な式で定義されます。
    $$SF = \exp\left(-\frac{E}{kT}\right) \times \sum W_i (N_i + N_{i+3})$$
  • ここで、$N_i$ は質量数 134（二重魔法核）、140、144 付近のガウス分布で表現される殻構造に対応し、$W_i$ は重み係数です。
  • 指数項 $\exp(-E/kT)$ は、励起エネルギーの増加に伴う殻効果の減衰（Damping）を表現しており、$kT \approx 1.5$ MeV と設定されています。

• データセット:

  • 訓練データには、JENDL-5、EXFOR 実験データ、理論モデル（TALYS など）のデータを重み付けして組み込みました。
  • 学習対象は「中性子放出後の独立質量収量」ですが、検証には実験的に測定された「累積収量」も使用し、大域的なエネルギー依存傾向の一致を確認しました。

3. 主要な成果 (Key Results)

• 微細構造の高精度再現:

  • シェルファクター（SF）を導入したモデルは、$^{235}\text{U}$、$^{232}\text{Th}$、$^{243}\text{Cm}$、$^{251}\text{Cf}$ などの核分裂において、重軽両方のピークにおける微細構造を JENDL-5 や実験データと高い精度で再現しました。
  • 対照的に、SF を含まないモデルでは微細構造が平滑化され、再現性が低下しました。
  • 統計的指標（対数尤度）において、SF 導入によりテストデータでの性能が約 34.6% 向上しました。

• エネルギー依存性の物理的整合性:

  • 入射中性子エネルギーの増加に伴い、非対称分裂のピークがどのように変化するかを予測しました。
  • 重核片領域: エネルギー増加に伴い、$A=138, 143$ 付近のピークは急速に減衰・消失しますが、$A=134$（二重魔法核 $Z=50, N=82$ の影響）のピークは頑健に残存します。これは、励起エネルギーによる殻効果の減衰の階層性を正しく捉えています。
  • 軽核片領域: 殻効果の影響が広がり、エネルギー依存性が現れます。

• 予言能力と物理的発見:

  • 重要な点: 訓練データには「瞬発中性子多重度（Prompt Neutron Multiplicity）」が含まれていませんでした。
  • しかし、PE-BNN の予測結果は、独立した実験データで知られている「瞬発中性子多重度のエネルギー依存性」と高い整合性を示しました。
    • 軽核片：中性子多重度がエネルギーに依存せず一定 $\rightarrow$ 収量分布のピーク位置はほぼ固定。
    • 重核片：中性子多重度が増加 $\rightarrow$ 中性子放出後の質量が減少し、収量分布の Ridge が低質量側へシフト。
  • これは、FPY のデータのみから学習したモデルが、核分裂ダイナミクスに内在する物理的相関（中性子放出と質量収量の関係）を自律的に抽出・学習したことを示しています。

• 外挿性能:

  • 訓練に使用されなかった Tonchev ら（2025）の広範囲エネルギー（0.5〜14.8 MeV）の実験データと比較した結果、モデルは線形補間（JENDL-5）や GEF モデルよりも優れた予測精度を示し、中間エネルギー領域の挙動を正しく捉えました。

4. 意義と結論 (Significance)

• 物理と機械学習の融合:

  • 単なる統計的な補間ではなく、現象論的な物理情報（殻効果とその減衰）を入力特徴量として明示的に埋め込むことで、解釈可能な高精度予測モデルを構築しました。
  • WAIC による超パラメータ最適化と物理的制約の組み合わせが、BNN の予測性能を劇的に向上させることを実証しました。

• 応用可能性:

  • 未測定エネルギー領域における FPY の信頼性高い予測を可能にし、原子炉物理評価、核セキュリティ、天体物理シミュレーションなどへの応用が期待されます。
  • 従来の半経験的モデル（GEF など）が多数の調整パラメータに依存するのに対し、本手法は物理的に意味のある入力特徴量と統計的学習に基づき、より透明性が高く再現性のあるアプローチを提供します。

• 結論:
  PE-BNN フレームワークは、核分裂生成物収量の微細構造とエネルギー依存性を統一的に記述する強力なツールであり、データ駆動型学習と確立された核構造の系統性（Systematics）を橋渡しする新たなパラダイムを示しました。