Physics Informed Bayesian Machine Learning of Sparse and Imperfect Nuclear Data

Dit artikel presenteert een natuurkundig geïnformeerd Bayesiaans machine learning-framework dat gebruikmaakt van fissiemodel-priorinformatie en cumulatieve opbrengstbeperkingen om energieafhankelijke onafhankelijke splijtingsproductopbrengsten nauwkeurig te evalueren, ondanks de schaarste en imperfectie van experimentele kerngegevens.

De kern

Het Grote Probleem: Proberen te koken met een kapot recept

Stel je voor dat je een chef-kok bent die probeert een perfect recept te creëren voor een complex gerecht (nucleaire splijting-opbrengsten). Je hebt twee grote problemen:

1. Je hebt heel weinig smaaktesten: De experimentele gegevens (de "smaaktesten" van hoe nucleaire brandstof uiteenvalt) zijn extreem schaars, rommelig en soms tegenstrijdig.
2. Je hebt geen intuïtie: Als je gewoon een standaard computerprogramma gebruikt (zuiver "data-gestuurd" machine learning) om op basis van die weinige smaaktesten het recept te raden, zal de computer waarschijnlijk in de war raken. De computer kan smaken verzinnen die niet bestaan of subtiele kruiden missen omdat hij de regels van het koken (natuurkunde) niet begrijpt.

In de wereld van de kernfysica is dit een enorm probleem. Wetenschappers moeten precies weten hoe nucleaire brandstof uiteenvalt om betere reactoren te bouwen en medische isotopen te creëren, maar de data is te dun voor computers om zelfstandig van te leren.

De Oplossing: Een "Slimme" Leerling-Chef

De auteurs van dit artikel stellen een nieuwe manier voor om de computer te trainen. In plaats van de computer vanaf nul te laten beginnen, geven ze hem een voorsprong met een "Physics-Informed" aanpak.

Denk er zo over na:

• De Oude Manier (Onwetend Leren): Je geeft een computer een paar wazige foto's van een taart en vraagt hem het recept te raden. Hij kan het fout raden omdat hij niet weet dat een taart bloem, eieren of gist nodig heeft, of dat hij in de oven moet rijzen.
• De Nieuwe Manier (Physics-Informed Leren): Voordat je de computer de wazige foto's laat zien, leer je hem eerst een perfect, theoretisch tekstboek over bakken (het GEF-natuurkundamodel). De computer leest het hele boek en leert de wetten van het bakken (behoud van massa, kwantumeffecten, etc.).
• Het Resultaat: Nu, wanneer je de computer de weinige wazige foto's laat zien (de echte, schaarse experimentele data), begint hij niet vanaf nul. Hij gebruikt zijn kennis uit het tekstboek om de foto's correct te interpreteren. Hij weet: "Ah, deze wazige vlek moet een rijzende taart zijn, want ik weet hoe taarten rijzen."

Hoe Ze Het Deden: De Twee-Stappen Training

De onderzoekers gebruikten een techniek genaamd Bayesiaans Machine Learning. Hier is het proces dat ze gebruikten, eenvoudig uitgelegd:

1. Stap 1: De "Tekstboek" Training (De Prior):
   Ze namen een geavanceerd natuurkundig model (genaamd GEF) dat nucleaire splijting perfect simuleert op basis van bekende wetten. Ze voerden eerst de gegenereerde data van dit model in de computer. Dit creëerde een "slimme prior"—een basisverwachting van hoe de data eruit zou moeten zien.

2. Stap 2: De "Echte Wereld" Aanpassing (De Posterior):
   Daarna lieten ze de computer de werkelijke, schaarse en rommelige experimentele data zien. Omdat de computer de "regels van het spel" al kende uit Stap 1, kon hij zijn begrip aanpassen aan de echte data zonder in de war te raken of onzin te verzinnen.

3. Stap 3: De "Dubbelcheck" (Constraints):
   Ze gebruikten ook een slimme truc. Ze wisten dat "Independent Yields" (hoe stukjes direct uiteenvallen) en "Cumulative Yields" (hoe stukjes eruitzien na hun verval over de tijd) wiskundig aan elkaar gekoppeld zijn. Ze gebruikten deze link als een vangnet. Als de gok van de computer voor de directe uiteenval niet overeenkwam met de bekende regels voor het langetermijnverval, werd de computer gedwongen zichzelf te corrigeren.

Wat Ze Vonden: Slimere Voorspellingen

Toen ze deze nieuwe methode testten op Uranium-235 (een veelvoorkomende nucleaire brandstof), waren de resultaten indrukwekkend:

• Nauwkeurigheid: De "Slimme Leerling" (Physics-Informed) lag veel dichter bij de bekende "Gouden Standaard" data dan de "Onwetende Leerling" (Uninformed). De foutmarge daalde van ongeveer 5% naar minder dan 1%.
• Begrip van de "Kleine Lettertjes": Nucleaire data heeft kleine trillingen en patronen (zoals het feit dat oneven en even aantallen deeltjes anders reageren). De oude methode miste deze details. De nieuwe methode kon deze subtiele patronen correct zien en voorspellen, omdat het eerst de natuurkundige regels had geleerd.
• Snelheid: Omdat de computer begon met een "tekstboek-opleiding", leerde hij de echte data veel sneller en met minder verwarring.

De Kern van het Verhaal

Dit artikel demonstreert dat je niet zomaar data in een computer kunt gooien en verwachten dat hij de nucleaire fysica begrijpt. Je moet de computer eerst de wetten van de natuurkunde leren.

Door een theoretisch natuurkundig model te combineren met echte wereldgegevens, hebben de onderzoekers een instrument gecreëerd dat de hiaten in ontbrekende data met een hoge mate van vertrouwen kan opvullen. Dit is cruciaal voor het ontwerpen van toekomstige nucleaire energiesystemen en medische hulpmiddelen, waarbij wordt gewaarborgd dat de "recepten" voor nucleaire brandstof nauwkeurig, veilig en betrouwbaar zijn, zelfs wanneer we niet genoeg experimentele data hebben om elke stap te controleren.

Technische samenvatting

Technische Samenvatting: Physics-Informed Bayesian Machine Learning van Schaarse en Imperfecte Kerngegevens

Probleemstelling
Data-gestuurde machine learning in de kernfysica wordt geconfronteerd met aanzienlijke hindernissen door de schaarste aan experimentele gegevens en de inherente imperfecties (ruis, onvolledigheid en discrepanties) van bestaande datasets. Puur data-gestuurde benaderingen falen vaak in het optimaal benutten van schaarse gegevens, zoals neutronengeduceerde splijtingsproductopbrengsten, die cruciaal zijn voor geavanceerde kernenergie-toepassingen (bijv. nieuwe brandstoftypes, productie van medische isotopen), maar slechts schaars beschikbaar zijn bij specifieke incidentie-energieën (thermisch, 0,5 MeV en 14 MeV). Bovendien slagen microscopische theorieën (bijv. TD-DFT, TD-GCM) er weliswaar in bepaalde aspecten van splijting te beschrijven, maar hebben zij moeite om gedetailleerde distributies van splijtingsproductopbrengsten te reproduceren, terwijl semi-empirische modellen vaak een gebrek aan uitgebreide energieafhankelijkheid vertonen. De specifieke uitdaging die in dit werk wordt aangepakt, is de evaluatie van onafhankelijke splijtingsopbrengsten (independent fission yields), die minder meetpunten hebben dan cumulatieve opbrengsten, maar essentieel zijn voor de brandstofcyclus en het begrip van splijtingsprocessen.

Methodologie
De auteurs stellen een Physics-Informed Bayesian Machine Learning-framework voor dat fysieke modellen direct integreert in het leerproces, specifiek door de constructie van informatieve priors. De methodologie bestaat uit de volgende kerncomponenten:

1. Bayesiaans Neuraal Netwerk (BNN) Framework: De kernarchitectuur is een BNN met twee verborgen lagen (22 neuronen per laag) met een tanh-activatiefunctie. De inputs zijn het fragmentmassa-getal ($A$), het ladinggetal ($Z$) en de invallende neutronenenergie ($E$). De output is de onafhankelijke splijtingsopbrengst $Y_i$. Onzekerheden worden gekwantificeerd via het 95%-betrouwbaarheidsinterval (CI) met behulp van Markov Chain Monte Carlo (MCMC) bemonstering van de netwerkgewichten.
2. Physics-Informed Priors (Transfer Learning): In plaats van te beginnen met oninformatieve priors, gebruiken de auteurs een fysisch model (het GEF-model) om een grote dataset van energieafhankelijke onafhankelijke opbrengsten voor $^{235}$U te genereren. Een BNN wordt eerst getraind op deze gegenereerde data ($D_{phys}$) om de posterieure verdeling $P(w_1|D_{phys})$ te verkrijgen. Deze posterieure verdeling wordt vervolgens gebruikt als de informatieve prior $P(w_2)$ voor de daaropvolgende evaluatie van schaarse experimentele data ($D_{expt}$). Deze aanpak draagt effectief uitgebreide fysische kennis (inclusclusief behoudswetten, schaleffecten en oneven-even effecten) over aan de Bayesiaanse inferentie.
3. Fysische Constraints via Cumulatieve Opbrengsten: Om de schaarste aan onafhankelijke opbrengstgegevens aan te pakpen, incorporeert het framework heterogene datafusie. Cumulatieve opbrengsten, die talrijker zijn, worden gekoppeld aan onafhankelijke opbrengsten via een conversiematrix (bepaald door $\beta$-verval). Deze relatie wordt afgedwongen als een fysische beperking in de kostenfunctie ($\chi^2$), waarbij afwijkingen tussen de voorspelde onafhankelijke opbrengsten en de gemeten cumulatieve opbrengsten worden bestraft.
4. Training en Evaluatie: Het model wordt getraind op een combinatie van experimentele data (uit de EXFOR-bibliotheek en JENDL-5 evaluaties) en de fysisch-beperkte kostenfunctie. Het trainingsproces maakt gebruik van GPU-acceleratie.

Belangrijkste Resultaten
De studie demonstreert de effectiviteit van de physics-informed benadering door middel van verschillende vergelijkende analyses:

• Verbeterde Nauwkeurigheid en Convergentie: De "informed learning" (met gebruik van GEF-priors) presteert aanzienlijk beter dan "uninformed learning" (standaard BNN). De normalisatieafwijking voor informed learning is ongeveer 0,22%, vergeleken met 5,3% voor uninformed learning. Verder convergeren de loss-waarden veel sneller met geïnformeerde priors, terwijl uninformed learning een trage convergentie vertoont met grote onzekerheden.
• Fysische Consistentie in Energieafhankelijkheid: De informed learning reproduceert correct de fysische evolutie van splijtingsopbrengsten met toenemende excitatie-energie. Specifiek vangt het de exponentiële toename van het symmetrische splijtingskanaal bij lage energieën en het geleidelijke samensmelten van de ladingpieken op. In tegen tegenstelling hiertoe slaagt uninformed learning er niet in deze trends te vatten, waarbij het onredelijk snelle toenames in symmetrische opbrengsten bij lage energieën en incorrecte fijne structuren laat zien.
• Reproductie van Fijne Structuur: De informed benadering reproduceert succesvol fijne structuren, zoals de oneven-even stapsgewijze variatie (odd-even staggering) in ladingopbrengsten. Het voorspelt correct het verdwijnen van de oneven-even stapsgewijze variatie bij lagere excitatie-energieën (rond 6–10 MeV afhankelijk van het fragmentmassa) vergeleken met uninformed learning, wat overeenkomt met theoretische verwachtingen met betrekking tot parencorrelaties bij eindtemperaturen.
• Effectiviteit van de Constraints: De inclusie van cumulatieve opbrengst-constraints vermindert de loss-waarden aanzienlijk (bijv. van 0,57 naar 0,17 voor specifieke isotopen), wat aantoont dat de constraints effectief de energieafhankelijkheidsinformatie aanvullen, ook al zijn de onafhankelijke en cumulatieve opbrengsten grotendeels compatibel.
• Onzekerheidskwantificering: Het Bayesiaanse framework biedt robuuste onzekochatingsschattingen. De informed learning levert nauwere betrouwbaarheidsintervallen die beter aansluiten bij de experimentele datapunten (bijv. bij 3 MeV) vergeleken met de brede onzekerheden van uninformed modellen.

Significantie en Claims
Het artikel claimt een "echte Bayesiaanse machine learning"-benadering te demonstreren die uitgebreide fysische kennis benut om schaarse en dure kerngegevens te exploiteren. De primaire significantie ligt in:

1. Het Overbruggen van de Datakloof: Door fysische modellen te gebruiken om informatieve priors te genereren, overwint de methode de beperkingen van kleine datasets, wat betrouwbare evaluaties van onafhankelijke splijtingsopbrengsten mogelijk maakt waar experimentele data extreem schaars zijn.
2. Superioriteit ten opzichte van Zuiver Data-gestuurde Methoden: De resultaten tonen aan dat het zonder het inbedden van fysische informatie (via priors of constraints) onmogelijk is om schaarse data volledig te benutten of complexe fysische verschijnselen zoals fijne structuren en niet-monotone energieafhankelijkheden te reproduceren.
3. Generaliseerbaarheid: Hoewel gericht op splijtingsopbrengsten, stelt de auteur dat dit framework kan worden uitgebreid naar andere domeinen in de kernfysica met imperfecte datasets, zoals reactie-doorsneden en de toestandsvergelijking van kernmaterie.
4. Automatisering en Objectiviteit: De aanpak biedt een pad naar geautomatiseerde, bias-vrije evaluatie van kerngegevens, wat de afhankelijkheid van expert-gestuurde handmatige aanpassingen bij de generatie van aanbevolen kerngegevensbibliotheken vermindert.

Het werk concludeert dat het integreren van bestaande kerntheorieën en -modellen in machine learning-priors essentieel is voor de vooruitgang van de evaluatie van kernfysica-gegevens in de komende jaren.