Nuclear Reaction Data for Fission Products Off Stability

本文概述了一种结合机器学习、考虑了核变形的改进预测模型以及实验数据的方法论，旨在解决不稳定裂变产物缺乏可靠中子截面数据的问题，目标是为未来的 ENDF/B 版本生成评估文件。

要点

想象一下，你正在尝试预测天气。如果你观察的是一个拥有数千个气象站的知名城市，那么你的预报会非常准确。但如果你试图预测一个从未有人涉足过的偏远、未开发的丛林里的天气，你就必须根据你在其他类似丛林中所知的信息来进行推测。

这篇论文讨论的正是在于此，只不过研究的对象是原子核，而不是天气。

问题所在：“原子荒野”

科学家需要了解中子（微小粒子）如何与核裂变（原子分裂）过程中产生的特定原子发生相互作用。这对于管理核废料、确保核安全以及理解恒星运作方式等领域至关重要。

对于稳定原子（那些自然存在于地球上的原子），我们拥有“气象站”——大量的真实实验和数据。我们完全了解它们的行为方式。但对于不稳定裂变产物（反应堆中产生的那些寿命极短的原子），几乎没有任何实验数据。这就像是在一个零数据的偏远丛林中预测天气。

目前，科学家不得不使用“简化的猜测”（理论模型）来填补空白。问题在于，这些猜测通常假设原子是完美的球体，就像台球一样。但许多这类不稳定原子实际上是挤压或拉伸过的，就像橄榄球或变形的团块。使用“台球模型”来处理“橄榄球”会导致巨大的误差。

解决方案：更智能的工具箱

来自布鲁克海文（Brookhaven）、劳伦斯利弗莫尔（Lawrence Livermore）和俄亥俄大学（Ohio University）的研究团队正在构建一个新的工具箱，以获得更准确的答案。他们将这个项目称为 RREFPOS（针对稳定性之外裂变产物的现实反应评估）。

以下是他们解决问题的方法，使用了三种主要工具：

1. “变形者”模型（考虑形变）
他们不再假定所有原子都是完美的球体，而是使用了一种能够解释原子实际形状的新方法。

• 类比： 想象把一个球扔向一面墙。如果墙面是平的（球形），球会按可预测的方式弹回。如果墙面是弯曲或凹凸不平的（变形的原子核），球的弹跳方式就会不同。
• 修正方案： 他们使用了一种“耦合通道”方法，将这些原子视为橄榄球。他们将特定的“形变参数”（原子被挤压或拉伸的程度）输入计算机，使数学计算反映现实，而非简化的幻想。

2. “AI 翻译官”（机器学习）
由于他们无法测量每一个不稳定的原子，因此正在利用人工智能来提供帮助。

• 类比： 想象一位精通“德语”和“法语”的翻译官。如果你问他关于一种他从未见过的语言（如“斯瓦希里语”）的句子，他可能会感到困难。但如果你给了他一本关于德语和法语之间关系的字典，他就能基于这些模式对斯瓦希里语做出非常合理的推测。
• 修正方案： 他们正在训练一个神经网络（一种 AI 类型），让其学习中子反应在“原子图谱”中的模式。AI 不仅仅是在瞎猜；它利用先进的物理理论，观察一个已知的邻近原子，并将该知识“翻译”到未知的、不稳定的原子上。这使得他们的“最佳猜测”比随机投骰子要聪明得多。

3. “新气象站”（实验测量）
为了确保他们的猜测是正确的，他们正在实验室中建立新的“气象站”。

• 类比： 与其仅仅猜测丛林里的天气，不如发射一架无人机去进行几次直接测量。
• 修正方案： 他们正在进行新的实验（使用粒子加速器），来测量特定原子（如锆和铌）的“核能级密度”（一种统计原子有多少能量状态的高级说法）。这提供了真实的实验数据来锚定他们的模型，确保 AI 和形变数学计算不会偏离轨道。

目标：一份更好的原子“用户手册”

最终目标是为这些不稳定原子创建一份高质量的新“用户手册”（称为评估文件）。

• 现状： 由于缺乏数据，这份手册充满了空白页或粗略的涂鸦。
• 未来： 他们希望用现实的数据填补这些空白，这些数据既考虑了原子的奇特形状，又利用 AI 来填补空白。

他们计划将这些新的手册提交给 ENDF/B 库，这是工程师和科学家用于设计反应堆和分析核事件的全球数据库。通过提高这些数据的准确性，他们希望能够提升核能的安全性和效率，并助力核不扩散工作。

简而言之： 他们正在从“猜测丛林里的天气”，转向“利用无人机、AI 和形变数学来精确绘制丛林地图”，以便我们能够安全地航行其中。

技术摘要

技术摘要：非稳定性裂变产物的现实反应评估 (RREFPOS)

问题陈述
准确模拟同位素的生成与衰变对于核不扩散、核取证、乏燃料分析、反应堆设计及天体物理学等应用至关重要。这些应用需要对裂变产物的中子截面进行完整的描述。虽然已评估的核数据库（如 ENDF/B-VIII.1）为稳定或接近稳定的同位素提供了可靠数据，但对于不稳定裂变产物的数据往往稀缺甚至不存在。因此，评估人员必须依赖理论外推。目前的替代方案（如 TENDL 库）通常采用简化的假设——例如随机共振生成或球形光学模型势——这些方法未能考虑核变形，且缺乏量化的不确定性。这些局限性使得现有数据不足以满足涉及不稳定核的高保真度应用需求。

方法论
RREFPOS 项目旨在开发并发布针对非稳定性裂变产物的完整中子评估，特别针对 $^{235}$U 自发裂变产生的核素，并以 $^{239}$Pu 和 $^{252}$Cf 为次要目标。该方法论针对以下三个能量区间：

1. 共振区：

   • 挑战： 不稳定核缺乏用于直接 R-矩阵拟合的实验共振数据。随机生成共振参数（如 TENDL 中所示）除非经过平均处理，否则往往会产生无意义的结果，且现有库未包含平均参数的不确定性。
   • 方法： 该项目利用机器学习来建立截面概率分布 $P(\sigma|E, T)$，使其作为中子能量 ($E$) 和靶核温度 ($T$) 的函数。其目标并非生成随机共振集，而是开发一个能够直接从平均共振参数 ($\Gamma_\gamma, \Gamma_n, D$) 预测 $P(\sigma|E, T)$ 的模型，类似于在反应堆计算中用于处理未分辨共振的方法。

2. 快能区反应计算：

   • 反应建模： 在缺乏直接测量的情况下，本项目优先采用微观预测模型。其中一个关键组成部分是光学模型势 (OMP)。考虑到感兴趣的大多数核素都是高度变形的（由接近 3.3 的 $E_{4^+}/E_{2^+}$ 比值表明），本项目拒绝将球形核 OMP 作为近似方案。相反，它采用了基于多极变形参数的绝热模型 (adiabatic model)。该模型通过结合来自微观模型（如 HFB 核密度）的核变形参数，将其扩展到非稳定性核。
   • 机器学习先验： 项目利用在全核图系统性趋势（受密度泛函理论启发）上训练的生成式神经网络模型。这些网络将截面信息从稳定同位素转化为相邻的不稳定同位素。输出结果并非最终值，而是作为信息先验 (informative priors) 来引导和约束模型参数，确保外推过程始终基于理论趋势。

3. 能级密度测量：

   • 挑战： 当前的核能级密度 (NLD) 模型仅受离散能级和特定共振间距的限制，对非稳定性核的指导作用有限。
   • 方法： 项目在 Edwards 加速器实验室利用粒子蒸发技术进行针对性的实验测量。该方法提供了更宽激发能量范围（从基态到中子分离能）和更宽自旋范围内的 NLD 数据，特别侧重于稳定性线附近的质量区域，以提高参数外推的可靠性。

主要贡献与初步结果

• 实验活动： 已完成两次实验活动，获得了 $^{92,96}$Nb 的 NLD 测量数据，并获得了通过 $(p,n)$ 反应获得的 $^{94}$Nb 的约束数据。目前正在进行针对 $^{95}$Nb 的 $(d,n)$ 反应数据分析。
• 建模基础设施： 开发了一套基础设施，将核变形数据库与 EMPIRE 反应代码集成，从而实现针对所有相关核素的绝热耦合通道法。
• 初步计算： 快能区计算已格式化为 ENDF-6 文件。对于 $^{98}$Zr(n,total) 截面的比较表明，考虑变形的绝热耦合通道法与直接使用球形 OMP 之间存在显著差异。球形模型紧随 TENDL 的预测，而包含变形的模型则为具有强动态四极矩变形（例如 $\beta_2 \approx 0.33$）的核素提供了更具现实意义的描述。

意义与未来展望
本工作的核心意义在于超越简化假设，通过考虑核变形并利用机器学习来约束模型参数，从而产生评估文件。项目旨在将这些评估文件提交至 ENDF/B 库，以供未来的 ENDF/B-IX.0 版本参考。

作者强调，一旦建立了针对主要目标（$^{235}$U 第一裂变产物峰值区域内的核素）的评估体系，将该过程扩展到其他不稳定裂变产物（次要及“扩展”目标）所需的努力将会相对较小。最终目标是为核数据界提供针对非稳定性裂变产物的现实且经过验证的评估，从而为核不扩散和反应堆应用提供更好的测试、反馈和精细调节。