近日，原子能院核數據重點實驗室在國際上首次提出，采用耦合深度相移神經網絡(CPSDNN)方法開展中子共振截面建模計算，實現中子共振能區與快中子能區裂變截面的自洽計算，為面向未來的中子共振數據評價提供新思路。該方法豐富了機器學習在核物理中的應用，對于核數據評價建庫有重要意義。研究成果發表在核物理國際重要學術期刊《物理快報B》(Physics Letters B)，文章第一作者為原子能院核物理研究所博士研究生邢康，通訊作者為核物理研究所研究員續瑞瑞，共同通訊作者為廣西師范大學教授孫小軍。

耦合相移神經網絡結構示意圖

中子共振截面數據是核反應數據的重要組成部分，涉及十分復雜的原子核共振反應物理過程，是核數據研究的難點。美國橡樹嶺國家實驗室、歐洲核能協會等機構曾先后研發SAMMY、REFIT等共振分析軟件，主要技術框架采用常見的R矩陣理論與多維實驗擬合，適用范圍較廣，但由于種種原因，未應用于我國核數據研究。為此，原子能院、清華大學、南開大學等主要核研究院所與高校也研發了基于R矩陣理論的RAC、FDRR程序等，主要功能用于處理共振峰較少的輕核，但當前方法尚無法計算涉及千余共振峰的鈾、钚等重核。

針對以上問題，原子能院核數據重點實驗室創新地提出將機器學習算法——耦合相移深度神經網絡方法應用于該領域，將中子共振數據在頻域空間上從高頻相移到了低頻，快速高效地再現鈾-235中子裂變截面3000多個共振峰與快中子能區裂變截面，在該領域研究取得重要進展。

耦合相移神經網絡訓練鈾-235中子裂變截面結果圖

作為人工智能(AI)研究熱點領域之一，機器學習方法旨在通過數據訓練模型，使計算機能夠從數據中學習規律，并利用所獲規律對未知數據進行預測或判斷，從而使計算機通過數據實現自我改進，而非依賴人工顯式編程。

免責聲明：本網轉載自合作媒體、機構或其他網站的信息，登載此文出于傳遞更多信息之目的，并不意味著贊同其觀點或證實其內容的真實性。本網所有信息僅供參考，不做交易和服務的根據。本網內容如有侵權或其它問題請及時告之，本網將及時修改或刪除。凡以任何方式登錄本網站或直接、間接使用本網站資料者，視為自愿接受本網站聲明的約束。