勾配最適化とマルチグループ注意ベースのニューラルネットワークによる逆臨界実験設計

近年、arXivに投稿された研究（識別番号2606.04033）において、Will Savageらによって深層学習と勾配最適化を活用した逆臨界実験設計手法が提案されました。この手法は、中性子類似性係数（c_k）を最大化することにより、先進的な原子炉設計や燃料概念の検証を加速することを目的としています。論文は2026年6月に提出され、核工学と機械学習の融合を象徴する内容です。

原子炉の検証には、対象技術と高い中性子類似性を持つ臨界実験が必要です。類似性はc_kで定量化され、これは核データの不確かさに起因するkeffの共有バイアスを捉えます。一般に、c_kが0.9以上であれば十分な類似性と見なされます。従来の設計手法は試行錯誤に依存することが多く、効率的ではありません。本研究では、逆設計のためのプロセスを開発しました。まず、OpenMCで計算された感度ベクトルに基づいて深層ニューラルネットワークの代理モデルを学習します。モデルアーキテクチャはU-Net畳み込みエンコーダ-デコーダに、新たに導入されたマルチグループ注意プーリング層を組み合わせたものです。この層は感度の空間依存性の違いを捉えるために設計され、従来のプーリング手法よりも優れた性能と解釈可能な内部動作を示します。代理モデルが微分可能であるため、勾配ベースの最適化を用いて幾何グリッド内の各位置の材料割り当てを直接変更し、c_kを最大化できます。

この手法は、HALEU（高濃縮低濃縮ウラン）燃料を使用するTN-Americas TN-LC輸送容器の検証に適用されました。この容器は既存の臨界実験の適用範囲が限られています。最適化の結果、3つの対象構成に対してそれぞれ0.97757、0.81324、0.93276のc_kスコアが得られました。これらの値は軒並み0.9の閾値を上回り、提案手法が高い類似性を持つ臨界実験を効果的に生成できることを示しています。また、マルチグループ注意プーリング内部の動作分析により、異なるエネルギー群の感度が適切にクラスタリングされることが確認され、モデルの解釈可能性が実証されました。

本研究は、深層学習と勾配最適化が原子力工学において大きな可能性を持つことを示し、先進的な原子力技術の開発を大幅に加速する可能性があります。今後、この手法は他の原子力システムにも拡張され、モデルアーキテクチャの改良や訓練データの拡充により、さらに高い精度と効率が期待されます。