贝叶斯神经网络预测钍-232裂变产额

在JENDL、ENDF、CENDL和JEFF等主要核数据库中的当前评估，主要列出了钍-232在热中子能量0.0253电子伏特、0.5兆电子伏特和14兆电子伏特下的裂变产额。在这些能量之间，实验测量数据稀疏，这给钍基系统的核反应堆设计、安全评估和燃料循环分析带来了困难。

新的贝叶斯神经网络方法提供了一种系统性的方法来在测量点之间及之外进行裂变产额的插值和外推，同时严格量化预测的不确定性。该模型产生概率性的产额分布，既提供了中心值也提供了不确定性带，这对于先进反应堆计算和安全裕度分析至关重要。

研究团队实现了一个包含两个隐藏层的贝叶斯神经网络架构，并将核物理概念直接嵌入到模型输入和结构中。特别是，该框架结合了与奇偶质子数和同位旋对称性相关的效应，这些效应强烈影响裂变产物分布的结构。这些融入物理知识的特征有助于抑制非物理行为，并改善质量产额曲线中精细结构的再现。

通过用已确立的物理原理约束神经网络，研究人员报告称模型在匹配现有评估和实验数据方面的能力得到了显著提升。贝叶斯框架不仅再现了裂变产额分布的主要特征，而且改进了对不同中子能量下详细的质量依赖模式的描述。

预测的裂变产额与钍燃料反应堆的设计和运行直接相关，包括中国的钍基熔盐堆计划等项目。更准确和完整的裂变产额数据支持燃耗信用分析、反应性反馈评估以及反应堆寿期内乏燃料库存的表征。

除了反应堆物理之外，作者指出改进的钍-232裂变产额数据可以有益于医用同位素生产和反应堆反中微子能谱的计算。对于特定同位素（包括锆-95、钼-99、碲-132和碘-131）的贝叶斯神经网络结果，与从热中子到14兆电子伏特中子能量的可用实验数据显示出很强的一致性。

该研究表明，当贝叶斯神经网络与底层物理紧密联系时，可以作为传统核数据评估技术的有力补充。通过将机器学习的灵活性与核结构和反应约束相结合，该方法产生的预测既具有定量精度又具有物理一致性。

展望未来，研究团队计划将贝叶斯框架扩展到钍-232之外的其他锕系核素。他们还打算纳入额外的物理约束和可观测量，以进一步改进该方法的预测能力和鲁棒性。

作者认为，这种物理约束的机器学习方法标志着核数据评估实践的演进。它提供了一种结构化的方法来处理现有数据库中的特定空白，同时保持了与已确立的核模型和测量的兼容性。

通过提供高精度的裂变产额预测以及量化的不确定性，贝叶斯神经网络框架为未来第四代核能系统提供了基础数据。它还为核废物嬗变研究和涉及钍基材料的先进燃料循环优化提供了工具。

这项工作发表在《核科学技术》期刊上，标题为“钍-232中子诱发裂变产物产额的贝叶斯神经网络评估方法”。已发表的文章详细比较了贝叶斯预测、评估数据库和多个中子能量下的实验结果。