arXiv 于 2026 年 6 月 1 日发布的一篇新论文（编号 2606.04033，归类于机器学习 cs.LG）提出了一套用于临界实验逆向设计的方法，作者为 Will Savage 等三人。该研究的目标是解决先进核反应堆设计与燃料概念验证中的一个核心难题：如何设计出与目标技术具有高中子学相似度的临界实验。
在核工程领域，中子学相似度通常用相关系数 c_k 来量化，它反映了由核数据不确定性所导致的 k_eff 偏差中的共享部分。按照行业惯例，只有当 c_k 大于或等于 0.9 时，一个实验才会被认为与目标技术足够相似，从而能够为其提供有效验证。本研究正是围绕如何最大化这一指标展开，提出了一种基于深度神经网络代理模型与非参数梯度优化的逆向设计方法。
研究团队首先使用 OpenMC 计算了基于网格的临界实验几何结构的灵敏度向量，并以此训练深度神经网络。该模型的架构颇具特色：它将 U-Net 卷积编码器-解码器与一种新颖的多群注意力池化层相结合。作者引入这一池化层，是为了捕捉灵敏度在不同空间依赖关系上的差异。实验表明，多群注意力池化不仅优于传统池化方法，而且其内部行为具有可解释性。
由于代理模型是可微的，研究者能够对完整的组合设计空间进行基于梯度的优化。这意味着可以通过直接改变几何网格中每个位置的材料分配，来最大化 c_k。这种将可微代理模型与梯度优化相结合的方式，使得原本高度复杂的离散组合设计问题变得可求解，从而避免了对整个设计空间进行代价高昂的穷举搜索。
该方法被应用于 TN-Americas 公司 TN-LC 运输容器搭配 HALEU 燃料的验证场景。这一目标技术目前现有的临界实验覆盖较为有限，因此迫切需要新的实验设计手段。优化过程针对三个关注的配置分别生成了临界实验几何结构，所达到的 c_k 分数依次为 0.97757、0.81324 和 0.93276。其中两个配置超过了 0.9 的相似度门槛，另一个则接近但未达到该标准，这一结果分布也体现了该方法在实际应用中的表现与局限。
总体而言，这项工作展示了深度学习与梯度优化在加速先进核技术开发方面的潜力。通过将耗时的物理计算转化为可微的神经网络代理，并在其上执行梯度驱动的逆向设计，研究者为临界实验的规划提供了一条高效的新路径，有望减少传统试错式设计所需的时间与资源投入。