2026年6月1日にarXivに投稿された論文は、先進的な原子炉設計や燃料概念の検証を加速するための、臨界実験の逆設計手法を提案している。臨界実験は対象技術と高い中性子類似性を持つ必要があり、その類似性は相関係数 c_k で定量化される。c_k は核データの不確かさに起因する k_eff の共有バイアスを捉え、実験が対象技術と十分に類似しているためには一般に c_k ≥ 0.9 が求められる。従来、適切な臨界実験配置の探索は正向きの試行錯誤であったが、本研究は逆設計を採用し、c_k を最大化する実験形状を直接生成する。
手法の中心は、グリッドベースの臨界実験形状に対する中性子感度ベクトルを予測する深層ニューラルネットワーク代理モデルの訓練である。訓練データはOpenMCモンテカルロ輸送計算から得られた。ネットワークアーキテクチャはU-Net畳み込みエンコーダ・デコーダと、新規のマルチグループ注意プーリング層を組み合わせている。このプーリング層は感度の空間依存性がスケールごとに異なることを捉えるために導入され、従来のプーリングよりも優れた性能を示すとともに、内部挙動が解釈可能であることが示された。代理モデルが微分可能であるため、勾配最適化を組合せ設計空間全体に適用でき、形状グリッドの各位置の材料割り当てを直接変更することで c_k を最大化できる。
著者らはこの手法を、高純度低濃縮ウラン（HALEU）燃料を使用するTN-Americas社のTN-LC輸送容器の検証に適用した。この容器は既存の臨界実験によるカバレッジが限られている。最適化により、関心のある3つの構成に対して c_k スコア 0.97757、0.81324、0.93276 を達成する実験形状が得られた。2つの構成は0.9の閾値を超え、対象技術との十分な中性子類似性を示している。
本研究は、深層学習と勾配最適化が先進核技術の開発を加速する可能性を示している。高コストな物理シミュレーションを微分可能なニューラルネットワーク代理モデルに置き換え、効率的な勾配最適化と組み合わせることで、研究者は広大な実験設計空間を迅速に探索でき、臨界実験データが不足する新燃料や輸送容器の検証経路を提供できる。著者はWill Savageら3名で、論文全文はarXivで公開されている。