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

Na busca por uma energia nuclear mais limpa e segura, os cientistas estão voltando-se para um conceito conhecido como sistema impulsionado por acelerador. Imagine uma máquina que não depende de uma reação em cadeia autossustentável como uma usina tradicional, mas que utiliza um poderoso feixe de partículas para colidir com um alvo de metal pesado. Essa colisão violenta, chamada de espalação, despedaça os átomos pesados e libera uma inundação de nêutrons. Esses nêutrons então impulsionam uma reação secundária que pode consumir resíduos radioativos de vida longa e gerar energia a partir de materiais que, de outra forma, seriam inúteis. Para projetar tal máquina, os engenheiros precisam saber exatamente quantos nêutrons são produzidos, quão rápido eles se movem e em qual direção voam quando o feixe atinge o alvo. Essas informações são cruciais para a segurança e eficiência, embora prevê-las tenha sido, por muito tempo, um desafio difícil porque a física dessas colisões de alta velocidade é incrivelmente complexa.

Durante décadas, pesquisadores tentaram simular esses eventos usando modelos computacionais detalhados baseados nas leis da física. Esses modelos tentam rastrear cada interação entre as partículas dentro do núcleo, mas muitas vezes têm dificuldade em corresponder perfeitamente às medições do mundo real. Às vezes, os modelos preveem nêutrons demais, às vezes de menos, e as diferenças podem ser maiores do que as incertezas nos próprios experimentos. Como o comportamento dessas partículas depende de tantos fatores — a velocidade do feixe de entrada, o tipo de metal que está sendo atingido e o ângulo pelo qual os nêutrons escapam — criar uma fórmula única e perfeita provou ser algo elusivo. A complexidade é tal que mesmo as simulações de física mais avançadas podem perder padrões sutis nos dados, deixando os engenheiros sem os números precisos de que precisam para construir a próxima geração de reatores nucleares.

Para resolver este problema, uma equipe de pesquisadores da Academia Chinesa de Ciências e da Universidade de Lanzhou recorreu a uma abordagem diferente: eles deixaram os dados falarem por si mesmos. Em vez de tentar forçar a física em um conjunto rígido de equações, eles construíram um modelo flexível, orientado por dados, usando uma rede neural artificial. Este é um tipo de programa de computador inspirado na maneira como o cérebro humano aprende, capaz de encontrar padrões ocultos em vastas quantidades de informação. Os pesquisadores alimentaram seu modelo com milhares de medições experimentais de laboratórios ao redor do mundo, cobrindo uma ampla gama de materiais-alvo e energias de feixe. Ao treinar a rede com essas observações do mundo real, incluindo as incertezas naturais nas medições, eles criaram uma ferramenta que pode prever o comportamento dos nêutrons com uma precisão notável.

A equipe descobriu que, ao selecionar cuidadosamente as informações certas para alimentar o computador, poderiam capturar a física essencial sem a necessidade de simular cada colisão individualmente. Eles descobriram que o modelo funcionava melhor quando recebia detalhes específicos sobre o ângulo de voo do nêutron, a energia do feixe de entrada e o tamanho e composição do núcleo do alvo. Surpreendentemente, também descobriram que adicionar certos detalhes extras tornava o modelo menos preciso, enquanto omitir outros não tinha efeito. O modelo final, simplificado, aprendeu a reproduzir as formas complexas dos espectros de energia dos nêutrons, incluindo os picos agudos que ocorrem quando as partículas ricocheteiam umas nas outras de maneiras específicas. Esses picos são difíceis de serem acertados por códigos de física tradicionais, mas a rede neural os capturou naturalmente porque os tinha visto nos dados experimentais.

Um dos testes mais significativos deste novo modelo foi sua capacidade de prever resultados para situações que ele nunca havia visto antes. Os pesquisadores testaram o modelo contra dados experimentais para alvos de índio, energias de feixe de 597, 1000 e 1500 MeV, e ângulos de nêutrons de 90 graus, nenhum dos quais estava incluído no conjunto de treinamento. Nesses casos, as previsões do modelo alinharam-se de perto com os dados experimentais reais, demonstrando fortes capacidades de generalização. No entanto, os pesquisadores também notaram um limite para esse poder: quando tentaram extrapolar para uma energia de feixe muito mais alta de 3000 MeV, as previsões do modelo não concordaram bem com os dados, particularmente em baixas energias de nêutrons e na cauda de alta energia. Para explorar ainda mais a utilidade do modelo, os pesquisadores geraram previsões detalhadas para um alvo de cobre, um material não utilizado nas fases de treinamento ou teste. Esses resultados de cobre são apresentados como um recurso para validação futura, em vez de uma comparação confirmada contra medições existentes.

Os pesquisadores também exploraram como tornar o modelo robusto o suficiente para lidar com o ruído e as imperfeições inerentes aos dados experimentais reais. Eles descobriram que tentar suavizar os dados ou forçar o modelo a ser excessivamente simples na verdade prejudicava seu desempenho, fazendo com que perdesse os picos e vales importantes na distribuição de energia dos nêutrons. Em vez disso, ao treinar o modelo em muitas versões ligeiramente diferentes dos dados que incluíam os erros experimentais naturais, a rede aprendeu a ignorar o ruído enquanto mantinha o sinal verdadeiro. Essa abordagem permitiu que o modelo permanecesse flexível e preciso sem se confundir com as pequenas flutuações que são inevitáveis em qualquer medição física.

Este trabalho representa uma mudança na forma como os cientistas abordam problemas nucleares complexos. Em vez de depender apenas de simulações teóricas que podem perder detalhes sutis, a equipe demonstrou que uma abordagem orientada por dados pode aprender os padrões subjacentes diretamente da natureza. O modelo resultante não é apenas um exercício teórico; é uma ferramenta prática que pode ser usada para melhorar o design de sistemas impulsionados por aceleradores, que são vistos como um caminho promissor para o gerenciamento de resíduos nucleares e geração de energia. Ao fornecer um mapa de alta precisão de como os nêutrons se comportam durante a espalação, este novo modelo ajuda engenheiros a construir reatores mais seguros e eficientes. O sucesso deste método sugere que técnicas semelhantes orientadas por dados poderiam ser aplicadas a outras áreas da física nuclear, potencialmente levando a uma nova era onde o aprendizado de máquina e os dados experimentais trabalham juntos para resolver alguns dos problemas mais desafiadores da ciência da energia.