Bayesian Learning of (n,p) Reaction Cross Sections with Quantified Uncertainties

Deze studie introduceert een Bayesian Neural Network (BNN-I6) dat, getraind op ENDF/B-VIII.1-data, (n,p)-reactiecross sections voorspelt met gekwantificeerde onzekerheden en een betere prestatie toont dan TENDL-2023, waarbij SHAP-analyse de overheersende invloed van theoretische cross-section inputs aantoont.

De kern

🎯 De Missie: Het Voorspellen van Onzichtbare Kernen

Stel je voor dat je een enorme bibliotheek hebt met boeken over hoe atoomkernen met elkaar omgaan. Deze boeken bevatten cruciale informatie voor het bouwen van kernreactoren, het maken van medicijnen voor kanker en het begrijpen van hoe sterren werken.

Maar er is een groot probleem: vele pagina's ontbreken. Voor sommige atomen hebben we geen meetgegevens, of de bestaande theorieën (zoals een groot rekenprogramma genaamd TENDL) maken fouten. Het is alsof je een auto probeert te bouwen, maar je hebt geen handleiding voor de motor van de helft van de onderdelen.

De auteurs van dit paper, Arunabha Saha en Songshaptak De, hebben een slimme oplossing bedacht: ze hebben een AI-robot getraind om de ontbrekende pagina's te schrijven en te zeggen hoe zeker we kunnen zijn van die nieuwe informatie.

🤖 De Held: De "Bayesiaanse Neural Network" (BNN)

In plaats van een simpele rekenmachine, hebben ze een Bayesiaanse Neural Network (BNN) gebruikt. Laten we dit vergelijken met een kookrecept.

• De Gewone AI (De Kookmeester): Als je een gewone AI vraagt om een soep te maken, geeft hij je één exact recept. Hij zegt: "Voeg 200 gram wortels toe." Maar hij zegt niet of hij zeker is of dat de wortels vers zijn. Als de AI zich vergist, weet je het pas als de soep vies smaakt.
• De Bayesiaanse AI (De Kookmeester met een Waarschuwing): Onze speciale AI werkt anders. Hij zegt: "Voeg ongeveer 200 gram wortels toe, maar ik ben 90% zeker dat het tussen de 180 en 220 gram moet zijn."

Dit is het grote voordeel: Hij geeft niet alleen het antwoord, maar ook een "zekerheidsmarge". In de kernfysica is het weten hoe onzeker je bent, net zo belangrijk als het antwoord zelf.

🧩 Hoe Werkt Het? (De Ingrediënten)

De AI (die ze BNN-I6 noemen) is getraind op een enorme dataset van atoomkernen. Om een voorspelling te doen, kijkt hij naar zes specifieke eigenschappen van het atoom, net zoals een chef-kok naar de ingrediënten kijkt:

1. Aantal protonen en neutronen: De basisbouwstenen.
2. Pariteit: Is het atoom "even" of "oneven" samengesteld? (Net als even of oneven nummers).
3. Energieverschil: Hoe hard wordt het deeltje geraakt?
4. Theoretische voorspelling: Wat zeggen de oude boeken (TENDL) al over dit atoom?
5. Isospin: Een maatstaf voor de verhouding tussen protonen en neutronen.

De verrassende ontdekking:
De onderzoekers wilden weten welke ingrediënt het belangrijkst was. Ze gebruikten een techniek genaamd SHAP (een soort "recept-analyse"). Het bleek dat de AI vooral kijkt naar wat de oude theorieën (TENDL) al zeggen. De andere eigenschappen (zoals het aantal protonen) zijn belangrijk, maar de AI gebruikt de oude theorie als zijn "hoofdrolspeler" en past die alleen een beetje aan op basis van de echte meetdata.

📊 De Resultaten: Beter dan de Oude Kaart

De onderzoekers hebben hun AI getest tegenover de beste beschikbare kaarten (de TENDL-2023 bibliotheek) en echte metingen.

• De Vergelijking: Stel je voor dat je twee navigatiesystemen hebt. Eentje is de oude kaart (TENDL), de andere is de slimme AI (BNN-I6).
• Het Resultaat: De AI kwam veel dichter bij de echte meetpunten dan de oude kaart. Waar de oude kaart soms ver afweek (vooral bij zware atomen of bij hoge energieën), bleef de AI dicht bij de waarheid.
• De Zekerheid: Waar de AI niet zeker was (bijvoorbeeld bij atomen waar heel weinig data over bestaat), liet hij een groen bandje zien om zijn voorspelling. Dit bandje betekent: "Hier ben ik niet 100% zeker, wees voorzichtig." De oude kaart gaf geen zo'n waarschuwing; die deed net alsof hij het altijd wist, zelfs als hij het niet deed.

🌍 Waarom Is Dit Belangrijk?

Dit onderzoek is als het updaten van een GPS voor de atomaire wereld.

1. Veiligere Reactoren: Als we weten hoe atomen reageren op neutronen, kunnen we betere en veiligere kernreactoren bouwen.
2. Medische Toepassingen: Het helpt bij het maken van specifieke radioactieve stoffen voor medische scans en behandelingen.
3. Voor Gebieden zonder Data: Voor atomen waar we nog nooit een meting hebben gedaan (bijvoorbeeld in verre uithoeken van het universum of in nieuwe experimenten), kan deze AI een betrouwbare schatting geven met een duidelijke waarschuwing over de onzekerheid.

🏁 Conclusie

Kort samengevat: De auteurs hebben een slimme computer getraind die niet alleen de ontbrekende stukjes van de atomaire puzzel invult, maar ook eerlijk zegt: "Ik denk dat dit het antwoord is, maar ik heb een klein twijfelpuntje."

Dit maakt de wetenschap veiliger en betrouwbaarder, vooral op plekken waar we nog geen meetapparatuur hebben. Het is een stap voorwaarts in het gebruik van kunstmatige intelligentie om de geheimen van het heelal te ontrafelen.

Technische samenvatting

Hier is een gedetailleerde technische samenvatting van het artikel "Bayesian Learning of (n,p) Reaction Cross Sections with Quantified Uncertainties" in het Nederlands:

Titel: Bayesiaanse Leer van (n,p) Reactie Doorsneden met Gekwantificeerde Onzekerheden

Auteurs: Arunabha Saha en Songshaptak De

---

1. Het Probleem

Nauwkeurige modellering van neutron-geïnduceerde (n,p) reactiedoorsneden is cruciaal voor diverse toepassingen in de kernfysica, waaronder reactorontwerp, nucleaire astrofysica en de productie van radionucliden voor medische doeleinden.

• Data-schaarste: Experimentele data zijn vaak schaars of incompleet, vooral voor isotopen ver weg van stabiliteit of bij hoge invallende energieën.
• Systematische onzekerheden: Theoretische modellen (zoals die in de TALYS Evaluated Nuclear Data Library, TENDL-2023) en geëvalueerde databanken (zoals ENDF/B-VIII.1) bevatten vaak systematische onzekerheden die voortkomen uit afhankelijkheid van parameters zoals optische modelpotentiaal, niveaudichtheid en $\gamma$-sterktefuncties.
• Behoefte: Er is behoefte aan een datagedreven aanpak die niet alleen nauwkeurige voorspellingen doet, maar ook de onzekerheid van deze voorspellingen kwantificeert, wat essentieel is voor betrouwbare engineering en veiligheidsanalyses.

2. Methodologie

De auteurs presenteren een datagedreven framework gebaseerd op een Bayesiaanse Neurale Netwerk (BNN), genaamd BNN-I6.

• Data Voorbereiding:

  • De dataset bevat 8.110 datapunten van gemeten (n,p) reactiedoorsneden voor kernen met atoomnummers $Z \approx 8-77$ en neutronenergieën tot $\sim 20$ MeV.
  • De data is gehaald uit de ENDF/B-VIII.1 bibliotheek.
  • De invoer-uitvoerparen bestaan uit een kenmerkvector $x$ en de logaritme van de experimentele doorsnede $\ln(\sigma_{ENDF})$.
  • Invoerkens (6 features):
    1. Protonnummer ($Z$)
    2. Neutronnummer ($N$)
    3. Paar-effect ($\delta$): 1 voor even-even, 0 voor oneven-A, -1 voor oneven-oneven kernen.
    4. Energie-offset ($\Delta E = E - E_{thresh}$): De invallende energie relatief tot de reactiedrempel.
    5. Logaritmische theoretische doorsnede ($\ln(\sigma_{TENDL})$): Waarden uit de TENDL-2023 bibliotheek.
    6. Isospin-maatstaf: $(N-Z)/A$.
  • De data is opgesplitst in training (70%), validatie (15%) en test (15%) sets.

• Model Architectuur (BNN-I6):

  • In tegenstelling tot traditionele neurale netwerken die vaste gewichten hebben, behandelt de BNN gewichten en biases als stochastische variabelen met kansverdelingen.
  • Structuur: Een invoerlaag met 6 kenmerken, twee verborgen lagen met respectievelijk 150 en 100 neuronen (met ELU-activatiefunctie), en een outputlaag.
  • Output: Het model voorspelt voor elke invoer twee waarden:
    1. De gemiddelde waarde (centrale voorspelling van de doorsnede).
    2. De standaardafwijking ($\sigma$), die de inherente onzekerheid van het model voor die specifieke voorspelling kwantificeert.

• Trainingsproces:

  • Het model maakt gebruik van Stochastische Variational Inference (SVI) om de posterior-verdeling van de gewichten te benaderen.
  • De loss-functie is de Evidence Lower Bound (ELBO), die bestaat uit een log-waarschijnlijkheidsterm (hoe goed het model de data uitlegt) en een Kullback-Leibler (KL) divergentie-term (regularisatie om overfitting te voorkomen door de gewichten dicht bij de prior te houden).
  • Het trainen verloopt in twee fasen: een initiële fase met een hogere leersnelheid en een fijne afstelling met een lagere leersnelheid.

• Interpretatie:

  • Om te begrijpen welke invoerparameters het meest invloedrijk zijn, wordt SHAP (SHapley Additive exPlanations) gebruikt.

3. Belangrijkste Bijdragen

1. Ontwikkeling van BNN-I6: Een specifiek Bayesiaans model ontworpen voor het voorspellen van (n,p) reactiedoorsneden met ingebouwde onzekerheidskwantificering.
2. Kwantificering van Onzekerheid: Het model levert niet alleen een voorspelling, maar ook een betrouwbaarheidsinterval (credibility interval), wat essentieel is voor risicobeoordeling in gebieden met weinig experimentele data.
3. Uitgebreide Validatie: Systematische vergelijking met zowel experimentele data (ENDF/B-VIII.1) als bestaande geëvalueerde bibliotheken (TENDL-2023) over een breed spectrum van kernen (licht tot zwaar).
4. Interpreteerbaarheid: Toepassing van SHAP-analyse om de fysieke drijvers achter de voorspellingen te onthullen.

4. Resultaten

• Nauwkeurigheid: De BNN-I6 presteert over het algemeen beter dan TENDL-2023, zoals gemeten aan de hand van de wortel-middelkwadratenfout ($\sigma_{rms}$) op de logaritmische schaal. De fouten zijn over het algemeen lager dan 1,0 op de log-schaal voor de meeste kernen.
• Vergelijking met Experiment:
  • Voor medium-massa kernen (bijv. Te, Xe, Gd, Er) volgt het model de experimentele excitatiefuncties nauwkeurig, terwijl TENDL-2023 afwijkingen toont bij drempelwaarden en bij hogere energieën.
  • Voor zware kernen (bijv. Pt, Au, Pb, Bi) blijft het model robuust, zelfs in gebieden met schaarse data. De onzekerheidsbanden omvatten de meeste meetpunten.
• Onzekerheidsanalyse: De onzekerheidsbanden van de BNN zijn smal en fysisch betekenisvol in gebieden met veel data, en worden breder in gebieden met minder data (bijv. boven 25 MeV), wat de epistemische onzekerheid van het model correct weerspiegelt.
• SHAP-analyse: De analyse toont aan dat de theoretische invoerwaarde $\ln(\sigma_{TENDL})$ de belangrijkste drijvende factor is voor de voorspellingen. Andere parameters zoals energie ($\Delta E$) en nucleaire structuur ($Z, N, \delta$) spelen een secundaire, maar noodzakelijke rol.

5. Betekenis en Conclusie

Dit werk demonstreert dat Bayesiaanse Neurale Netwerken een krachtig alternatief zijn voor traditionele kernreactiemodellen.

• Complementaire Rol: De BNN-I6 vult bestaande geëvalueerde databanken aan door complexe, niet-lineaire relaties te leren en tegelijkertijd de betrouwbaarheid van de voorspelling te kwantificeren.
• Toekomstperspectief: De methode is bijzonder waardevol voor "data-scarce" regimes (weinig experimentele data), zoals bij exotische isotopen of bij het ontwerpen van nieuwe reactoren en fusiematerialen.
• Impact: Door het bieden van gekwantificeerde onzekerheden, ondersteunt deze aanpak betere besluitvorming in nucleair engineering en helpt het bij de ontwikkeling van verbeterde nucleaire databanken voor de toekomst.

Kortom, de auteurs hebben succesvol een framework gecreëerd dat de nauwkeurigheid van (n,p) reactiedoorsneden verbetert en de onzekerheid daarvan transparant maakt, wat een belangrijke stap is voor de nucleaire wetenschap en technologie.