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

在追求更清洁、更安全的核能的过程中，科学家们正将目光投向一种被称为“加速器驱动系统”的概念。想象一台机器，它不依赖于传统核电站那样的自持链式反应，而是利用一股强大的粒子束撞击一个重金属靶标。这种被称为“碎裂”（spallation）的剧烈碰撞会粉碎重原子，并释放出大量的中子。这些中子随后驱动二次反应，从而消耗长寿命放射性废物，并从那些原本无法利用的材料中产生能量。为了设计这样一台机器，工程师需要精确了解在粒子束撞击靶标时，产生了多少中子、它们移动得有多快以及飞行的方向如何。这些信息对于安全性与效率至关重要，然而预测这些数据长期以来一直是一个巨大的挑战，因为这种高速碰撞的物理过程极其复杂。

几十年来，研究人员一直试图利用基于物理定律的详细计算机模型来模拟这些事件。这些模型试图追踪原子核内部粒子之间的每一次相互作用，但它们往往难以与现实世界的测量结果完美匹配。有时模型预测的中子过多，有时则过少，且其中的差异甚至可能大于实验本身的不确定性。由于这些粒子的行为取决于诸多因素——包括入射束流的速度、被撞击金属的类型以及中子逃逸的角度——创造一个单一且完美的公式已被证明是难以实现的。其复杂程度之高，以至于即使是最先进的物理模拟也可能遗漏数据中的微妙模式，导致工程师无法获得构建下一代核反应堆所需的精确数值。

为了解决这一问题，来自中国科学院和兰州大学的一个研究小组转向了一种不同的方法：他们让数据自己“说话”。他们并没有试图将物理过程强行塞入一套僵化的方程组，而是构建了一个灵活的、数据驱动的模型，该模型基于人工神经网络。这是一种受人类大脑学习方式启发的计算机程序，能够发现海量信息中的隐藏模式。研究人员将来自世界各地实验室的数千个实验测量值输入到模型中，这些数据涵盖了广泛的靶材和束流能量。通过利用这些真实世界的观测结果（包括测量中的自然不确定性）对网络进行训练，他们创建了一个能够以极高精度预测中子行为的工具。

团队发现，通过仔细选择输入计算机的信息，他们可以在无需模拟每一次碰撞的情况下，捕捉到核心的物理特性。他们发现，当模型被赋予关于中子飞行角度、入射束流能量以及靶核大小与组成等特定细节时，表现最为出色。令人惊讶的是，他们还发现添加某些额外的细节反而会降低模型的准确性，而省略另一些细节则对结果没有影响。最终，这个精简后的模型学会了重现中子能量谱的复杂形状，包括当粒子以特定方式相互弹跳时出现的尖锐峰值。这些峰值对于传统的物理代码来说很难准确捕捉，但神经网络由于在实验数据中见过它们，因此能够自然地捕捉到这些特征。

该模型最显著的测试之一，是其预测从未见过的场景情况的能力。研究人员针对�듐（indium）靶标、597、1000 和 1500 MeV 的束流能量以及 90 度中子角度进行了测试，而这些参数均未包含在训练集中。在这些情况下，模型的预测结果与实际实验数据高度吻合，展示了强大的泛化能力。然而，研究人员也注意到了这种能力的局限性：当他们尝试外推到 3000 MeV 的更高束流能量时，模型的预测结果与数据并不一致，特别是在低中子能量和高能尾部区域。为了进一步探索模型的实用性，研究人员生成了针对铜靶标的详细预测，而铜是一种未在训练或测试阶段使用的材料。这些铜靶的结果被作为未来验证的资源呈现，而非作为已确认的测量对比。

研究人员还探索了如何使模型具备足够的鲁棒性，以应对实验数据中固有的噪声和缺陷。他们发现，试图平滑数据或强制模型过于简单化实际上会损害其性能，导致模型丢失中子能量分布中重要的峰值与谷值。相反，通过在许多包含自然实验误差的略微不同的数据版本上训练模型，网络学会了忽略噪声，同时保留真实的信号。这种方法使模型能够保持灵活性和准确性，而不至于被物理测量中不可避免的小幅波动所干扰。

这项工作代表了科学家处理复杂核物理问题方式的一种转变。研究团队证明，与其仅仅依赖可能遗漏微妙细节的理论模拟，不如采用数据驱动的方法直接从自然中学习底层模式。由此产生的模型不仅仅是一个理论练习；它是一个实用的工具，可用于改进加速器驱动系统的设计，而这类系统被视为管理核废料和产生能源的一条极具前景的路径。通过提供一份关于中子在碎裂过程中如何行为的高精度地图，这个新模型有助于工程师建造更安全、更高效的反应堆。该方法的成功表明，类似的数据驱动技术可以应用于核物理的其他领域，有望开启一个机器学习与实验数据协同解决能源科学中最具挑战性问题的全新时代。