Physics Informed Bayesian Machine Learning of Sparse and Imperfect Nuclear Data

本文提出了一种物理信息驱动的贝叶斯机器学习框架，该框架利用裂变模型先验和累积产额约束，在实验核数据稀缺且不完善的情况下，准确评估能量依赖型独立裂变产物产额。

要点

核心问题：试图用残缺的食谱烹饪

想象你是一位大厨，正试图为一道复杂的菜肴（核裂变产物产额）创造完美的食谱。你面临两个主要问题：

1. 你的“试吃”次数非常少： 实验数据（即核燃料破碎方式的“试吃测试”）极其稀缺、混乱，有时甚至相互矛盾。
2. 你缺乏直觉： 如果你只是使用标准的计算机程序（纯粹的“数据驱动型”机器学习）根据这些寥寥无几的试吃测试来猜测食谱，计算机很可能会感到困惑。它可能会发明出不存在的味道，或者因为不理解烹饪的“规则”（物理学）而忽略了微妙的香料。

在核物理领域，这是一个巨大的问题。科学家需要准确了解核燃料如何破碎，以便建造更好的反应堆并制造医用同位素，但数据过于稀薄，计算机无法仅靠自身进行学习。

解决方案：“聪明”的学徒大厨

本文作者提出了一种训练计算机的新方法。他们没有让计算机从零开始，而是通过一种“物理启发式”（Physics-Informed）的方法给了它一个起跑线。

可以这样理解：

• 旧方法（无知学习）： 你递给计算机几张模糊的蛋糕照片，并让它猜食谱。它可能会猜错，因为它不知道蛋糕需要面粉、鸡蛋，或者不知道蛋糕需要在烤箱里膨胀。
• 新方法（物理启发式学习）： 在给计算机看这些模糊照片之前，你先教它一本完美的理论教科书（GEF 物理模型）。计算机阅读了整本书，学习了烘焙的规律（质量守恒、量子效应等）。
• 结果： 现在，当你把那几张模糊的照片（真实的、稀疏的实验数据）展示给计算机时，它不再是从零开始。它利用从教科书中获得的知识来正确解读照片。它会明白：“啊，这个模糊的点一定是一个正在膨胀的蛋糕，因为我知道蛋糕是如何膨胀的。”

他们是如何做的：两步训练法

研究人员使用了一种称为贝叶斯机器学习的技术。以下是他们使用的流程，通过简单的方式拆解如下：

1. 第一步：“教科书”训练（先验分布/Prior）：
   他们采用了一个基于已知定律完美模拟核裂变的复杂物理模型（称为 GEF）。他们首先将该模型的生成数据喂给计算机。这创建了一个“智能先验”——即关于数据“应该”呈现何种样貌的基准预期。

2. 第二步：“现实世界”的调整（后验分布/Posterior）：
   随后，他们向计算机展示了真实的、稀疏且混乱的实验数据。由于计算机已经在第一步中掌握了“游戏规则”，因此它可以调整自己的理解以拟合真实数据，而不会产生困惑或编造无稽之谈。

3. 第三步：“双重检查”（约束条件）：
   他们还使用了一个巧妙的技巧。他们知道“独立产额”（碎片立即破碎的方式）和“累积产额”（碎片随时间衰变后的样子）在数学上是相互关联的。他们利用这种联系作为安全网。如果计算机对即时破碎的预测不符合已知的长期衰变规则，计算机就会被迫自我修正。

他们的发现：更聪明的预测

当他们在铀-235（一种常见的核燃料）上测试这种新方法时，结果令人印象深刻：

• 准确性： “聪明学徒”（物理启发式）比“无知学徒”（无启发式）更接近已知的“金标准”数据。误差率从约 5% 降至不到 1%。
• 理解“细节”： 核数据具有微小的波动和模式（例如粒子数量奇偶性表现出的不同行为）。旧方法会忽略这些细节，而新方法由于先学习了物理规则，能够识别并正确预测这些微妙的模式。
• 速度： 由于计算机拥有了“教科书”教育作为基础，它学习真实数据的速度更快，且产生的困惑更少。

总结

本文证明，你不能仅仅把数据丢给计算机就期望它理解核物理。你必须先教给计算机物理定律。

通过将理论物理模型与现实世界数据相结合，研究人员创造了一个能够以高置信度填补缺失数据空白的工具。这对于设计未来的核能系统和医疗工具至关重要，确保了核燃料的“食谱”即使在没有足够实验数据进行每一步验证的情况下，依然是准确、安全且可靠的。

技术摘要

技术摘要：针对稀疏且不完善核数据的物理启发式贝叶斯机器学习

问题陈述
核物理领域的数据驱动机器学习面临着显著的障碍，主要源于实验数据的稀缺性以及现有数据集固有的缺陷（噪声、不完整性和差异）。纯数据驱动的方法往往无法充分利用稀缺数据的最大价值，例如中子诱发裂变产物产额，这些数据对于先进核能应用（如新型燃料类型、医用同位素生产）至关重要，但仅在特定的入射能量（热中子、0.5 MeV 和 14 MeV）下较为丰富。此外，虽然微观理论（如 TD-DFT, TD-GCM）能够描述裂变的某些方面，但难以重现详细的裂变产物产额分布，而半经验模型则缺乏全面的能量依赖性。本研究解决的具体挑战是独立裂变产额的评估，这类数据比累积产额测量的点数更少，但对于燃料循环操作和理解裂变过程至关重要。

方法论
作者提出了一种物理启发式贝叶斯机器学习框架，通过构建具有信息量的先验分布，将物理模型直接整合到学习过程中。该方法由以下关键组成部分构成：

1. 贝叶斯神经网络 (BNN) 框架： 核心架构是一个具有两个隐藏层（各 22 个神经元）并使用 tanh 激活函数的 BNN。输入包括碎片质量数 ($A$)、电荷数 ($Z$) 和中子入射能量 ($E$)。输出为独立裂变产额 $Y_i$。通过对网络权重的马尔可夫链蒙特卡洛 (MCMC) 采样，利用 95% 置信区间 (CI) 来量化不确定性。
2. 物理启发式先验（迁移学习）： 不同于使用无信息先验，作者利用物理模型（GEF 模型）生成了 $^{235}$U 大规模的能量依赖型独立产额数据集。首先在生成的物理数据 ($D_{phys}$) 上训练一个 BNN，以获得后验分布 $P(w_1|D_{phys})$。随后，该后验分布被用作后续评估稀疏实验数据 ($D_{expt}$) 的信息性先验 $P(w_2)$。这种方法有效地将全面的物理知识（包括守恒定律、壳效应和奇偶效应）转移到了贝叶斯推断中。
3. 通过累积产额实现的物理约束： 为了应对独立产额数据的稀缺性，该框架引入了异构数据融合。通过转换矩阵（由 $\beta$ 衰变决定）将更为丰富的累积产额与独立产额联系起来。这种关系作为物理约束被纳入代价函数 ($\chi^2$) 中，通过惩罚预测的独立产额与测量的累积产额之间的偏差来进行约束。
4. 训练与评估： 模型在结合了实验数据（来自 EXFOR 库和 JENDL-5 评估）以及物理约束损失函数的条件下进行训练。训练过程利用了 GPU 加速。

关键结果
研究通过以下对比分析证明了物理启发式方法的有效性：

• 提高准确性与收敛性： “启发式学习”（使用 GEF 先验）的表现显著优于“无信息学习”（标准 BNN）。启发式学习的归一化偏差约为 0.22%，而无信息学习为 5.3%。此外，使用启发式先验时，损失值收敛速度更快，而无信息学习表现出收敛缓慢且不确定性较大的特征。
• 能量依赖性的物理一致性： 启发式学习能够正确重现裂变产额随激发能增加的物理演化过程。具体而言，它捕捉到了低能下对称裂变通道的指数级增长以及电荷峰的逐渐合并。相比之下，无信息学习无法捕捉这些趋势，表现出在低能下对称产额不合理的快速增加以及错误的精细结构。
• 精细结构的重现： 启发式方法成功插值了精细结构，例如电荷产额中的奇偶交替现象。它能正确预测奇偶交替在较低激发能下的消失（取决于质量数，约为 6–10 MeV），这与关于有限温度下配对关联的理论预期相符。
• 约束的有效性： 引入累积产额约束显著降低了损失值（例如，特定同位素从 0.57 降至 0.17），这表明即使独立产额与累积产额基本兼容，约束也能有效地补充能量依赖性信息。
• 不确定性量化： 贝叶斯框架提供了稳健的不确定性估计。与具有宽泛不确定性的无信息模型相比，启发式学习产生的置信区间更窄，且能更好地与实验数据点对齐（例如在 3 MeV 处）。

意义与主张
本文声称展示了一种“真正的贝叶斯机器学习”方法，该方法利用全面的物理知识来挖掘稀疏且昂贵的核数据。其主要意义在于：

1. 弥补数据鸿沟： 通过使用物理模型生成信息性先验，该方法克服了小数据集的局限性，使得在实验数据极其稀缺的情况下也能实现可靠的独立裂变产额评估。
2. 优于纯数据驱动方法： 结果表明，如果不嵌入物理信息（通过先验或约束），则无法充分利用稀缺数据或重现复杂的物理现象（如精细结构和非单调能量依赖性）。
3. 泛化性： 虽然研究重点是裂变产额，但作者认为该框架可以扩展到其他具有不完善数据集的核物理领域，如反应截面和核物质状态方程。
4. 自动化与客观性： 该方法为自动化、无偏见的核数据评估提供了路径，减少了在生成推荐核数据库过程中对专家驱动的手动调整的依赖。

研究结论指出，将现有的核理论和模型纳入机器学习先验，对于未来几年核物理数据评估的发展至关重要。