Nuclear Data Evaluation Utilizing Bayesian Monte Carlo Methods

In de wereld van de kernfysica is er een constante behoefte om precies te weten hoe atomen zich gedragen wanneer ze worden geraakt door andere deeltjes. Deze kennis is niet slechts abstracte theorie; het is het fundament voor het creëren van medische isotopen die levens redden, het aandrijven van industriële processen en het waarborgen van de nationale veiligheid. Om deze uitkomsten te voorspellen, vertrouwen wetenschappers op enorme bibliotheken met gegevens die zorgvuldig zijn gemeten en door experts zijn gecontroleerd. Hoewel we echter een zeer helder beeld hebben van hoe neutronen met materie interageren, zijn de gegevens voor geladen deeltjes, zoals protonen, vaak ontbrekend of incompleet. Wanneer experimentele gegevens ontbreken, moeten wetenschappers vertrouwen op computermodellen om de resultaten te raden. Deze modellen zijn krachtig, maar ze bevatten honderden instelbare instellingen, vergelijkbaar met de draaiknoppen op een complexe radio. Zonder real-world metingen om hen te sturen, kunnen deze instellingen zo worden bijgesteld dat ze onnauwkeurige voorspellingen produceren, wat leidt tot een inefficiënte productie van vitale materialen of ongewenste radioactieve onzuiverheden.

Een team van onderzoekers zette zich in om de manier waarop deze computermodellen worden afgesteld te verbeteren, specifiek voor reacties waarbij protonen natuurlijke koper raken. Ze gebruikten een geavanceerde statistische benadering genaand Bayesian Monte Carlo, wat kan worden beschouwd als een zeer georganiseerde manier om miljoenen verschillende combinaties van instellingen te testen om te zien welke het beste overeenkomen met de werkelijkheid. In plaats van willekeurig te gokken, begonnen ze met een breed scala aan mogelijkheden gebaseerd op de standaardinstellingen van het model en gebruikten ze vervolgens een grote verzameling bestaande experimentele gegevens om geleidelijk de meest waarschijnlijke opties te verfijnen. Hun doel was niet om de experts die gegevens handmatig evalueren te vervangen, maar om een methode te creëren die automatisch een betrouwbaar bereik van onzekerheid voor deze voorspellingen kon vaststellen, waardoor precies werd getoond hoe zeker we kunnen zijn van de resultaten.

De onderzoekers richtten zich op een specifieke dataset waarbij protonen koperatomen raken, wat een verscheidenheid aan verschillende residuele isotopen produceert. Ze verzamelden bijna 2.600 onafhankelijke gegevenspunten uit eerdere experimenten om als trainingsgrond te dienen. Met behulp van een supercomputer draaiden ze de kernreactiecode, bekend als TALYS, duizenden keren. In de eerste ronde testten ze 3.000 verschillende variaties van de modelinstellingen. Vervolgens vergeleken ze de voorspellingen van de computer met de werkelijke experimentele metingen. Om te beslissen welke variaties goed en welke slecht waren, gebruikten ze een scoresysteem dat het verschil tussen de voorspelling en de werkelijkheid mat. Cruciaal was dat ze elk datapunt met gelijke belangrijkheid behandelden, waardoor werd gewaarborgd dat geen enkel experiment of specifiek type reactie de resultaten domineerde.

Na het identificeren van de best presterende variaties uit de eerste ronde, verfijnden de onderzoekers hun aanpak. Ze bevroren de keuzes voor de discrete modelopties — in feite de beslissing over welke fundamentele natuurkundige theorieën te gebruiken — en richtten zich vervolgens op het fijn afstemmen van de continue numerieke parameters. Ze voerden vijf opeenvolgende generaties berekeningen uit, waarbij ze telkens de resultaten van de vorige ronde gebruikten om de volgende te sturen. Bij elke stap pasten ze de instellingen aan om dichter bij de waarden te komen die de beste match met de experimentele gegevens opleverden. Dit iteratieve proces stelde hen in staat om het bereik van de onzekerheid progressief te verkleinen. Aan het einde van de vijfde generatie was de mediane fout in hun voorspellingen met meer dan 70 procent gedaald ten opzichte van het startpunt. De onzekerheidsmarges rond hun voorspellingen werden aanzienlijk nauwer, wat betekende dat het model de uitkomst van deze reacties nu met veel grotere precisie kon voorspellen.

Echter, het verhaal eindigde niet met een perfecte oplossing. Wanneer de onderzoekers hun nieuw verfijnde model testten tegenover een andere dataset — specifiek cumulatieve metingen die de effecten van vervalketens van ouderisotopen bevatten — ontdekten ze dat de verbeteringen niet perfect overdraagbaar waren. Hoewel het model beter werd in het voorspellen van de directe producten van de reactie, had het moeite om diezelfde nauwkeurigheid te behouden voor de cumulatieve totalen. In sommige gevallen werden de onzekerheidsmarges zelfs breder voor deze specifieke isotopen. Dit onthulde een fundamentele beperking: een model dat perfect is afgestemd op één type gegevens, generaliseert niet noodzakelijkerwijs goed naar alle gerelateerde scenario's. De studie suggereert dat hoewel geautomatiseerde methoden de onzekerheid aanzienlijk kunnen verminderen, ze nog niet in staat zijn om de menselijke expert te vervangen die fysieke inzichten moet toepassen bij het aanpassen van modellen voor verschillende soorten kernreacties.

Het team onderzocht ook of kunstmatige intelligentie dit proces kon versnellen. Ze trainden een eenvoudig neuraal netwerk om te voorspellen hoe goed een set modelinstellingen zou presteren zonder de volledige, tijdrovende computersimulatie daadwerkelijk uit te voeren. Hoewel het neurale netwerk niet in staat was om de exacte scores nauwkeurig te voorspellen, bleek het verrassend goed in het rangschikken van de instellingen. Het kon het verschil zien tussen een waarschijnlijk goede set parameters en een waarschijnlijk slechte. Dit suggereert dat dergelijke een tool in de toekomst gebruikt kan worden als een filter om slechte opties snel te screenen, zodat onderzoekers hun rekenkracht alleen kunnen richten op de meest veelbelovende kandidaten.

Uiteindelijk demonstreert dit werk een krachtige nieuwe manier om de onzekerheid in kerngegevens te hanteren. Door een systematische, iteratieve aanpak te gebruiken, waren de onderzoekers in staat om de betrouwbaarheidsintervallen voor proton-geïnduceerde reacties op koper te verkleinen, wat een duidelijker beeld geeft van wat men kan verwachten wanneer deze reacties plaatsvinden. De studie bevestigt dat de standaardinstellingen in huidige kernmodellen een sterk startpunt vormen, die slechts kleine aanpassingen vereisen om goed bij de gegevens te passen. Toch dient het ook als een herinnering dat wetenschap geen kwestie is van het vinden van één enkel perfect antwoord. Het onvermogen van het verfijnde model om de cumulatieve resultaten perfect te voorspellen, benadrukt dat de complexiteit van de kernfysica nog steeds een zorgvuldige, door fysica geïnformeerde menselijke toets vereist om de veiligheid en nauwkeurigheid bij de productie van medische en industriële isotopen te waarborgen.