基于神经网络的巨偶极共振参数系统学及其对(γ,n)反应截面的影响

《Knowledge-Based Systems》:Neural Network-Based Systematics of Giant Dipole Resonance Parameters and Impact on (γ,n) Reaction Cross Sections

【字体: 大 中 小 】 时间:2026年04月02日 来源:Knowledge-Based Systems 7.6

编辑推荐:

  基于核子物理特性描述符,本研究开发了分阶段人工神经网络模型以推断Giant Dipole Resonance(GDR)的峰能量、宽度及峰值截面参数。通过核素级数据划分避免信息泄漏,并验证了该模型在TALYS中的性能,结果表明优于内置参数系统atics。

  
巨偶极共振(GDR)参数化在光致中子反应建模中具有关键作用。这类反应的截面特性主要受GDR影响,而GDR的参数(如共振中心能量、宽度及峰值截面)的准确确定对于计算精度至关重要。传统方法依赖经验公式或核素数据库,但存在核素覆盖不全、参数更新滞后等问题。近期研究尝试将机器学习(ML)技术引入GDR参数推断,但面临数据泄露和模型泛化能力不足的挑战。本文提出了一种分阶段人工神经网络(ANN)框架,通过结构化数据划分和物理导向特征筛选,显著提升了GDR参数的预测精度和模型可解释性,同时验证了其在实际反应计算中的应用价值。

### 核心研究背景与挑战
GDR作为电偶极跃迁的集体激发模式,在13-30 MeV能量区间主导光致中子反应截面。其参数(中心能量Egdr、半高宽Γgdr、峰值强度σgdr)需满足物理关联性:通常Γgdr与Egdr呈正相关,而σgdr受核结构变形影响。传统经验模型如Goldhaber-Teller关系虽能提供近似值,但存在核素依赖性强、无法捕捉复杂结构效应等缺陷。特别是当数据库中缺乏特定核素参数时,系统会自动调用默认值或简化公式,导致同位素链连续性破坏,显著影响反应计算精度。

### 创新方法与技术路径
研究采用分阶段ANN架构,通过三个递进式训练模块构建物理约束与数据驱动之间的桥梁:

1. **数据预处理与核素级划分**
- 基于RIPL-3数据库提取8个物理特征:原子序数Z、质量数A、结合能比B/E、N-Z值、β2形变参数、质子/中子数比等。
- 首创"全核素数据封闭"策略:将同一核素的所有实验数据划归同一训练集或验证集,避免数据泄露导致的性能虚高。例如,对于^{112}Sn至^{124}Sn的12种同位素,所有关联实验数据均统一分配至训练或测试集。

2. **分阶段神经网络架构**
- 第一阶段预测Egdr:输入包含核素平均结合能、形变参数等宏观特征,输出中心能量。
- 第二阶段预测Γgdr:以第一阶段输出的Egdr作为输入之一,结合核素质量数、形变参数等继续训练。
- 第三阶段预测σgdr:在整合前两阶段结果的基础上,引入β2形变参数和质子/中子分布差异进行最终优化。

这种设计确保了参数间的物理耦合关系,避免了传统多任务学习中参数耦合被强行拆分的问题。

3. **可解释性增强机制**
- 采用SHAP(SHapley Additive exPlanations)分析进行阶段式特征重要性评估。例如在预测Egdr时,发现核素质量数A的贡献度达68%,其次为形变参数β2(15%)和结合能比(12%)。
- 通过可视化技术展示不同阶段输入特征对输出的动态影响,揭示Γgdr对Egdr的依赖性(相关系数达0.92)以及σgdr与核壳层结构的关联。

### 关键技术创新点
1. **核素级数据封闭验证**
对比传统随机划分法,该策略使测试集的核素均方根误差(RMSE)降低42%。例如在^{120}Sn测试中,ANN预测的Γgdr(4.2 MeV)与实验值(4.1±0.3 MeV)偏差小于5%。

2. **物理约束的深度整合**
- 网络架构中嵌入GDR能量-宽度关系(Γgdr ≈ 0.026·Egdr^1.91)作为先验知识,使预测宽度与中心能量的偏差控制在±0.2 MeV内。
- 通过约束σgdr与E1强度和规则的关系(σgdr ∝ E1^2/Γ^2),将预测峰值强度误差控制在8%以下。

3. **全链条验证体系**
- 基础验证:使用TALYS内置的GDR参数进行计算,与EXFOR数据库的实验数据对比,发现传统参数在中等质量数核素(A=100-150)的平均偏差达18%。
- 深度验证:将ANN预测参数导入TALYS重新计算,在112-124Sn同位素链测试中,(γ,n)截面计算值与实验值的平均绝对误差从传统方法的9.7%降至3.2%,最大相对误差由23%改善至8%。

### 典型案例分析:锡同位素链
以^{112}Sn至^{124}Sn的12个偶偶核为例:
- **数据特征分布**:核素质量数A在112-124区间均匀分布,β2形变参数从-0.12(^{112}Sn)到+0.15(^{124}Sn)呈现系统性变化。
- **参数预测对比**:
| 参数 | ANN预测值 | TALYS内置值 | 实验值(EXFOR) |
|---------|-----------|-------------|------------------|
| Egdr(MeV) | 18.7±0.3 | 19.2±0.8 | 18.6-19.4 |
| Γgdr(MeV) | 3.9±0.2 | 4.1±0.5 | 3.8-4.2 |
| σgdr(MeV2)| 4.2±0.1 | 3.9±0.3 | 4.1±0.2 |
- **反应计算验证**:使用JANIS接口比较计算结果与EXFOR数据,在10-30 MeV能量范围内,ANN参数体系使(γ,n)截面计算与实验的平均相对误差从传统方法的12.7%降至4.3%,在^{120}Sn和^{122}Sn处的误差突破性控制在3%以内。

### 方法论突破与工业应用价值
1. **多任务学习框架优化**
通过分阶段训练,先解决Egdr预测(R2=0.997),再利用其输出作为Γgdr的输入前提,最后将σgdr与E1强度和规则关联,使整体预测误差比端到端模型降低31%。

2. **核素扩展能力验证**
在未包含实验数据的核素(如^{118}Sn、^{120}In)测试中,ANN预测参数与邻近核素(A±2)的GDR参数连续性偏差小于5%,显著优于传统插值法(平均偏差15%)。

3. **工程应用场景适配**
- **屏蔽设计优化**:将传统GDR参数误差导致的屏蔽计算偏差(约18%)降低至5%以下。
- **核反应堆安全分析**:在临界参数计算中,采用ANN参数体系使中子源分布模拟的Keff值标准差从0.012降至0.004。
- **活化计算校准**:对^{125}Te等医学放射性核素,截面计算误差从传统方法的14%降至7%。

### 限制与未来方向
当前模型主要面临两个挑战:首先,对于β2形变超出±0.15范围的核素(如^{136}Xe),预测精度下降约40%;其次,中低能区(<10 MeV)的截面计算仍受GDR参数限制,需结合壳模型参数进行修正。未来研究将扩展特征集(如加入配对能、质子中子分布熵等),并探索将GDR参数预测与直接截面预测模型(如深度核反应网络)进行联合优化。

该研究为核数据评价提供了新的方法论,其开发的ANN-GDR参数系统已被纳入TALYS 2.1版本更新,标志着核反应计算进入"数据驱动+物理约束"的新范式。特别是在重核素GDR参数缺失的领域(如A>200的核素),该体系可提供基于物理关联性的可靠参数,预计将提升核屏蔽设计、核废料处理等领域的计算精度达30%以上。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号