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

In de zoektocht naar schonere, veiligere kernenergie kijken wetenschappers naar een concept dat bekend staat als het accelerator-gedreven systeem. Stel je een machine voor die niet afhankelijk is van een zelfonderhoudende kettingreactie zoals een traditionele centrale, maar in plaats daarvan een krachtige deeltjesbundel gebruikt om tegen een zwaar metalen doelwit te rammen. Deze gewelddadige botsing, genaamd spallatie, verbrijzelt de zware atomen en laat een vloedgolf aan neutronen vrij. Deze neutronen drijven vervolgens een secundaire reactie aan die langlevend radioactief afval kan verbranden en energie kan genereren uit materialen die anders nutteloos zouden zijn. Om een dergelijke machine te ontwerpen, moeten ingenieurs precies weten hoeveel neutronen er worden geproduceerd, hoe snel ze bewegen en in welke richting ze vliegen wanneer de bundel het doelwit raakt. Deze informatie is cruciaal voor de veiligheid en efficiëntie, maar het voorspellen ervan is lang een moeilijke uitdaging geweest omdat de fysica van deze botsingen met hoge snelheid ongelooflijk complex is.

Decennialang hebben onderzoekers geprobeerd deze gebeurtenissen te simuleren met behulp van gedetailleerde computermodellen gebaseerd op de wetten van de natuurkunde. Deze modellen proberen elke interactie tussen de deeltjes binnen de kern te volgen, maar ze hebben vaak moeite om experimentele metingen perfect te evenaren. Soms voorspellen de modellen te veel neutronen, soms te weinig, en de verschillen kunnen groter zijn dan de onzekerheden in de experimenten zelf. Omdat het gedrag van deze deeltjes afhangt van zoveel factoren — de snelheid van de inkomende bundel, het type metaal dat wordt geraakt en de hoek waaronder de neutronen ontsnappen — bleek het creëren van een enkele, perfecte formule een ongrijpbare opgave. De complexiteit is zodanig dat zelfs de meest geavanceerde natuurkundige simulaties subtiele patronen in de data kunnen missen, waardoor ingenieurs zonder de precieze cijfers komen te zitten die ze nodig hebben om de volgende generatie kernreactoren te bouwen.

Om dit probleem op te lossen, heeft een team onderzoekers van de Chinese Academie van Wetenschappen en de Lanzhou Universiteit gekozen voor een andere aanpak: ze lieten de data voor zichzelf spreken. In plaats van de natuurkunde te dwingen in een rigide reeks vergelijkingen, bouwden ze een flexibel, datagestuurd model met behulp van een kunstmatig neuraal netwerk. Dit is een type computerprogramma geïnspireerd door de manier waarop het menselijk brein leert, in staat om verborgen patronen te vinden in enorme hoeveelheden informatie. De onderzoekers voedden hun model met duizenden experimentele metingen uit laboratoria over de hele wereld, die een breed scala aan doelmaterialen en bundelenergieën beslaan. Door het netwerk te trainen op deze real-world observaties, inclusief de natuurlijke onzekerheden in de metingen, creëerden ze een instrument dat het gedrag van neutronen met opmerkelijke nauwkeurigheid kan voorspellen.

Het team ontdekte dat ze, door zorgvuldig de juiste stukken informatie in de computer te voeren, de essentiële fysica konden vastleggen zonder elke individuele botsing te hoeven simuleren. Ze ontdekten dat het model het beste werkte wanneer het specifieke details kreeg over de hoek van de vlucht van het neutron, de energie van de inkomende bundel en de grootte en samenstelling van de doelkern. Verrassend genoeg ontdekten ze ook dat het toevoegen van bepaalde extra details het model juist minder nauwkeurig maakte, terwijl het weglaten van andere details geen effect had. Het uiteindelijke, gestroomlijnde model leerde de complexe vormen van de neutronenenergische spectra te reproduceren, inclusief de scherpe pieken die optreden wanneer deeltjes op specifieke manieren van elkaar terugkaatsen. Deze pieken zijn moeilijk juist te krijgen voor traditionele natuurkundige codes, maar het neurale netwerk ving ze natuurlijk op omdat het ze in de experimentele data had gezien.

Een van de belangrijkste tests voor dit nieuwe model was het vermogen om resultaten te voorspellen voor situaties die het nog nooit eerder had gezien. De onderzoekers testten het model tegen experimentele data voor indiumdoelwitten, bundelenergieën van 597, 1000 en 1500 MeV, en neutronhoeken van 90 graden, die geen van deze elementen in de trainingsset bevat. In deze gevallen kwamen de voorspellingen van het model nauw overeen met de werkelijke experimentele data, wat een sterke generalisatiecapaciteit aantoonde. De onderzoekers merkten echter ook een limiet aan deze kracht op: toen ze probeerden te extrapoleren naar een veel hogere bundelenergie van 3000 MeV, stemden de voorspellingen van het model niet goed overeen met de data, met name bij lage neutronenergieën en in de hoogenergetische staart. Om de bruikbaarheid van het model verder te verkennen, genereerden de onderzoekers gedetailleerde voorspellingen voor een koperdoelwit, een materiaal dat niet in de trainings- of testfase werd gebruikt. Deze koperresultaten worden gepresenteerd als een bron voor toekomstige validatie, in plaats van als een bevestigde vergelijking met bestaande metingen.

De onderzoekers onderzochten ook hoe ze het model robuust genoeg konden maken om om te gaan met de ruis en imperfecties die inherent zijn aan echte experimentele data. Ze ontdekten dat het proberen te verzachten van de data of het dwingen van het model tot een te eenvoudige vorm, de prestaties juist schaadde, waardoor het belangrijke pieken en dalen in de neutronenenergiedistributie miste. In plaats daarvan, door het model te trainen op vele licht verschillende versies van de data die de natuurlijke experimentele fouten bevatten, leerde het netwerk de ruis te negeren terwijl het het ware signaal behield. Deze aanpak stelde het model in staat om flexibel en nauwkeurig te blijven zonder in de war te raken door de kleine fluctuaties die onvermijdelijk zijn bij elke fysieke meting.

Dit werk vertegenwoordigt een verschuiving in de manier waarop wetenschappers complexe natuurkundige problemen benaderen. In plaats van uitsluitend te vertrouwen op theoretische simulaties die subtiele details kunnen missen, hebben de onderzoekers aangetoond dat een datagestuurde aanpak direct de onderliggende patronen uit de natuur kan leren. Het resulterende model is niet slechts een theoretische oefening; het is een praktisch hulpmiddel dat kan worden gebruikt om het ontwerp van accelerator-gedreven systemen te verbeteren, die worden gezien als een veelbelovende weg voor het beheer van nucleair afval en het opwekken van energie. Door een hoogprecisiekaart te bieden van hoe neutronen zich gedragen tijdens spallatie, helpt dit nieuwe model ingenieurs bij het bouwen van veiligere en efficiëntere reactoren. Het succes van deze methode suggereert dat vergelijkbare datagestuurde technieken kunnen worden toegepast op andere gebieden van de kernfysica, wat potentieel kan leiden tot een nieuw tijdperk waarin machine learning en experimentele data samenwerken om enkele van de meest uitdagende problemen in de energiewetenschap op te lossen.