Nuclear Reaction Data for Fission Products Off Stability

Dit artikel schetst een methodologie die machine learning combineert met verbeterde voorspellende modellering die rekening houdt met nucleaire vervorming en experimentele gegevens om het gebrek aan betrouwbare neutronendoorsnedegegevens voor onstabiele splijtingsproducten aan te pakken, met als doel het produceren van geëvalueerde bestanden voor toekomstige ENDF/B-releases.

De kern

Stel je voor dat je het weer probeet te voorspellen. Als je naar een bekende stad kijkt met duizenden weerstations, heb je een zeer nauwkeurige voorspelling. Maar als je het weer probeert te voorspellen in een afgelegen, onverkend regenwoud waar nog nooit iemand heeft gestaan, moet je gokken op basis van wat je weet over soortgelijke regenwouden elders.

Dit artikel gaat over precies dat, maar dan voor atomaire kernen in plaats van het weer.

Het Probleem: De "Onverkende Jungle" van Atomen

Wetenschappers moeten weten hoe neutronen (minuscule deeltjes) interageren met specifieke atomen die worden gecreëerd tijdens kernsplitsing (het splitsen van atomen). Dit is cruciaal voor zaken als het beheer van nucleair afval, het waarborgen van nucleaire veiligheid en het begrijpen van hoe sterren werken.

Voor stabiele atomen (de atomen die natuurlijk op aarde voorkomen), hebben we "weerstations"—veel echte experimenten en data. We weten precies hoe ze zich gedragen. Maar voor onstabiele splijtingsproducten (atomen die in reactoren worden gecreëerd die niet lang blijven bestaan), zijn er bijna geen experimenten. Het is alsof je het weer probeert te voorspellen in dat afgelegen regenwoud met nul data.

Momenteel moeten wetenschappers "vereenvoudigde gokken" (theoretische modellen) gebruiken om de gaten op te vullen. Het probleem is dat deze gokken vaak ervan uitgaan dat atomen perfecte sferen zijn, zoals biljartballen. Maar veel van deze onstabiele atomen zijn in werkelijkheid afgeplat of uitgerekt, zoals rugbyballen of vervormde klodders. Een "biljartbal"-model gebruiken voor een "rugbybal" leidt tot grote fouten.

De Oplossing: Een Slimmere Gereedschapskist

De auteurs, een team van Brookhaven, Lawrence Livermore en Ohio University, bouwen een nieuwe gereedschapskist om betere antwoorden te krijgen. Ze noemen hun project RREFPOS (Realistic Reaction Evaluations for Fission Products Off Stability).

Hier is hoe ze het probleem oplossen, met behulp van drie hoofdinstrumenten:

1. Het "Vormveranderende" Model (Rekening houden met vervorming)
In plaats van te doen alsof alle atomen perfecte sferen zijn, gebruiken ze een nieuwe methode die rekening houdt met de werkelijke vorm van het atoom.

• De Analogie: Stel je voor dat je een bal tegen een muur gooit. Als de muur vlak is (een sfeer), stuitert de bal voorspelbaar terug. Als de muur gebogen of hobbelig is (een vervormde kern), stuitert de bal anders terug.
• De Fix: Ze gebruiken een "coupled-channels"-benadering die deze atomen behandelt als rugbyballen. Ze voeren de computer de specifieke "vervormingsparameters" (hoe afgeplat of uitgerekt het atoom is) zodat de wiskunde de werkelijkheid weerspiegelt, en niet een vereenvoudigde fantasie.

2. De "AI-Vertaler" (Machine Learning)
Omdat ze niet elk onstabiel atoom kunnen meten, gebruiken ze Kunstmatige Intelligentie om te helpen.

• De Analogie: Denk aan een vertaler die zowel "Duits" als "Frans" spreekt. Als je hen een zin vraagt te vertalen in een taal die ze nog nooit hebben gezien ("Swahili"), kunnen ze moeite hebben. Maar als je hen een woordenboek geeft van hoe Duits en Frans met elkaar verband houden, kunnen ze een zeer weloverwogen gok doen over Swahili op basis van die patronen.
• De Fix: Ze trainen een neuraal netwerk (een type AI) om de patronen van neutronenreacties over de "kaart van de atomen" te leren. De AI gokt niet zomaar; het gebruikt geavanceerde natuurkundige theorieën om naar een bekende buur-atoom te kijken en die kennis te vertalen naar het onbekende, onstabiele atoom. Dit geeft hen een "beste gok" die veel slimmer is dan een willekeurige gok uit de vuist van de hand.

3. De "Nieuwe Weerstation" (Experimentele Metingen)
Om te controleren of hun gokken kloppen, bouwen ze nieuwe "weerstations" in het laboratorium.

• De Analogie: In plaats van alleen het weer in het regenwoud te raden, sturen ze een drone omhoog om een paar directe metingen te verrichten.
• De Fix: Ze voeren nieuwe experimenten uit (met behulp van deeltjesversnellers) om de "nucleaire energiedichtheid" (een chique manier om te tellen hoeveel energietoestanden een atoom heeft) te meten voor specifieke atomen zoals Zirkonium en Niobium. Dit levert echte data die hun modellen kan verankeren, zodat de AI en de vormveranderende wiskunde niet uit koers raken.

Het Doel: Een Betere "Gebruiksaanwijzing" voor Atomen

Het uiteindelijke doel is om een nieuwe, hoogwaardige "gebruiksaanwijzing" (een geëvalueerd bestand genoemd) voor deze onstabiele atomen te maken.

• Huidige staat: De handleiding zit vol lege pagina's of ruwe krabbels omdat we een gebrek aan data hebben.
• Toekomstige staat: Ze willen deze pagina's vullen met realistische data die rekening houdt met de vreemde vormen van deze atomen en AI gebruikt om de gaten op te vullen.

Ze zijn van plan deze nieuwe handleidingen in te dienen bij de ENDF/B library, de wereldwijde database die ingenieurs en wetenschappers gebruiken om reactoren te ontwerpen en nucleaire gebeurtenissen te analyseren. Door deze data nauwkeuriger te maken, hopen ze de veiligheid en efficiëntie van kernenergie en inspanningen tegen nucleaire proliferatie te verbeteren.

Kortom: Ze gaan van "het weer in een regenwoud raden" naar "het gebruik van drones, AI en vormveranderende wiskunde om het regenwoud nauwkeurig in kaart te brengen," zodat we er veilig doorheen kunnen navigeren.

Technische samenvatting

Technische Samenvatting: Realistische Evaluaties van Reacties voor Fissieproducten Ver van Stabiliteit (RREFPOS)

Probleemstelling
Nauwkeurige modellering van isotoopgeneratie en -depletie is cruciaal voor toepassingen variërend van nucleaire nonproliferatie en forensische wetenschappen tot de analyse van afgebrand brandstofmateriaal, reactordesign en astrofysica. Deze toepassingen vereisen volledige beschrijvingen van neutronendoorsneden voor fissieproducten. Hoewel geëvalueerde nucleaire datalibraries (bijv. ENDF/B-VIII.1) betrouwbare gegevens bieden voor isotopen op of nabij stabiliteit, zijn gegevens voor onstabiele fissieproducten vaak schaars of niet aanwezig. Bijgevolg moeten evaluatoren vertrouwen op theoretische extrapolaties. Huidige alternatieven, zoals de TENDL-library, maken vaak gebruik van vereenvoudigde aannames—zoals stochastische resonantiegeneratie of sferische optische modelpotentialen—die er niet in slagen om kernvervorming te accounten en een gebrek aan gekwantificeerde onzekerheden vertonen. Deze beperkingen maken de bestaande gegevens ontoereikend voor hoogwaardige toepassingen waarbij onstabiele kernen betrokken zijn.

Methodologie
Het RREFPOS-project beoogt volledige neutronenevaluaties te ontwikkelen en te verspreiden voor fissieproducten ver van stabiliteit, specifiek gericht op kernen die worden geproduceerd in de spontane fissie van $^{235}$U, met secundaire doelen voor $^{239}$Pu en $^{252}$Cf. De methodologie adresseert drie energieregimes:

1. Resonantiegebied:

   • Uitdaging: Onstabiele kernen missen experimentele resonantiedata voor directe R-matrix fitting, waardoor stochastische generatie van resonantieparameters (zoals bij TENDL) vaak zinloze resultaten oplevert tenzij deze gemiddeld worden, en huidige libraries bevatten geen onzekerheden in gemiddelde parameters.
   • Aanpak: Het project maakt gebruik van machine learning om de doorsnedeprobabiliteitsverdeling, $P(\sigma|E, T)$, vast te stellen als functie van de neutronenenergie ($E$) en de doeltemperatuur ($T$). In plaats van willekeurige resonantiesets te genereren, is het doel een model te ontwikkelen dat $P(\sigma|E, T)$ direct voorspelt vanuit gemiddelde resonantieparameters ($\Gamma_\gamma, \Gamma_n, D$), vergelijkbaar met benaderingen die gebruikt worden voor onopgeloste resonanties in reactorberekeningen.

2. Reactieberekeningen in het snelle bereik (Fast-Range):

   • Reactiemodellering: Bij afwezigheid van directe metingen geeft het project prioriteit aan microscopische voorspellende modellen. Een kritiek onderdeel is het Optisch Model Potentieel (OMP). Erkenning dat de meeste kernen van belang sterk vervormd zijn (zoals aangegeven door $E_{4^+}/E_{2^+}$-ratio's nabij 3,3), zorgt ervoor dat het project sferische-kern OMPs verwerpt als slechte benaderingen. In plaats daarvan wordt een adiabatisch model gehanteerd op basis van multipoolvervormingsparameters. Dit model wordt uitgebreid naar off-stabiliteit kernen door het te combineren met nucleaire vervormingen afgeleid van microscopische modellen, zoals HFB-kernendities.
   • Machine Learning Priors: Het project maakt gebruik van generatieve neurale modellen die getraind zijn op systematische trends over de nucleaire kaart (geïnformeerd door dichtheidsfunctionaaltheorie). Deze netwerken vertalen doorsneden van stabiele naar naburige onstabiele isotopen. De outputs worden niet gebruikt als definitieve waarden, maar als informatieve priors om modelparameters te leiden en te beperken, zodat de extrapolatie geworteld blijft in theoretische trends.

3. Nucleaire Niveau-dichtheidsmetingen (Level Density):

   • Uitdaging: Huidige Nucleaire Niveau-dichtheidsmodellen (NLD) worden slechts beperkt door discrete niveaus en specifieke resonantie-afstanden, wat beperkte sturing biedt voor off-stabiliteit kernen.
   • Aanpak: Het project voert gerichte experimentele metingen uit met de deeltjesverdampingstechniek bij het Edwards Accelerator Lab. Deze methode levert NLD-data over een breder excitatie-energieniveau (van grondtoestand tot neutronenseparatie-energie) en bredere spin-bereiken, waarbij specifiek de nadruk ligt op massaregio's nabij de stabiliteitslijn om de betrouwbaarheid van parameterextrapolatie te verbeteren.

Belangrijkste Bijdragen en Voorlopige Resultaten

• Experimentele Campagnes: Er zijn twee experimentele campagnes voltooid, die NLD-metingen voor $^{92,96}$Nb hebben opgeleverd en beperkingen voor $^{94}$Nb via $(p,n)$-reacties. De analyse van $(d,n)$-reactiedata voor $^{95}$Nb is gaande.
• Modelleringsinfrastructuur: Er is een infrastructuur ontwikkeld om nucleaire vervormingsdatabases te integreren met de EMPIRE-reactiecode, wat de adiabatische gekoppelde-kanalenbenadering voor alle relevante kernen mogelijk maakt.
• Voorlopige Berekeningen: Berekeningen voor het snelle gebied zijn geformatteerd in ENDF-6 bestanden. Een vergelijking voor de $^{98}$Zr(n,total) doorsnede toont een substantieel verschil tussen de adiabatische gekoppelde-kanalenbenadering (rekening houdend met vervorming) en het direct gebruiken van een sferische OMP. Het sferische model volgt nauw de TENDL-voorspellingen, terwijl het vervormings-inclusieve model een significant realistischerere beschrijving biedt voor kernen met sterke dynamische kwadrupoolvervorming (bijv. $\beta_2 \approx 0,33$).

Betekenis en Toekomstperspectief
De primaire betekenis van dit werk ligt in het verder gaan dan vereenvoudigde aannames om geëvalueerde bestanden te produceren die rekening houden met nucleaire vervorming en machine learning gebruiken om modelparameters te beperken. Het project heeft als doel deze geëvalueerde bestanden in te dienen bij de ENDF/B-library voor overweging in de toekomstige ENDF/B-IX.0 release.

De auteurs benadrukken dat zodra het evaluatiesysteem is gevestigd voor het primaire doel (kernen in de eerste fissie-opbrengstheuvel van $^{235}$U), de inspanning die nodig is om het proces uit te breiden naar andere onstabiele fissieproducten (secundaire en "stretch" doelen) relatief klein zal zijn. Het uiteindelijke doel is om de nucleaire datagemeenschap te voorzien van realistische, gevalideerde evaluaties voor off-stabiliteit fissieproducten, wat betere testen, feedback en verfijning mogelijk maakt voor nonproliferatie en reactorapplicaties.