基于梯度优化与多群注意力神经网络的逆临界实验设计
本研究提出了一种利用深度神经网络代理建模和非参数梯度优化进行逆临界实验设计的方法，旨在最大化实验与目标技术之间的中子相似性系数c_k。该方法结合U-Net编码器-解码器与新型多群注意力池化层，通过直接优化几何网格材料分配来提升c_k。应用于HALEU燃料运输容器验证，对三种配置分别取得0.97757、0.81324和0.93276的高分，展示了深度学习在加速核技术验证中的潜力。
近日，一篇由Will Savage等人提交至arXiv的论文（编号2606.04033）提出了一种基于深度学习和梯度优化的逆临界实验设计方法，旨在通过最大化中子相似性系数（c_k）来加速先进核反应堆和燃料概念的验证。该工作发表于2026年6月，研究团队来自相关核工程领域，论文详细描述了该方法的设计、实现和验证过程。
核反应堆验证通常需要临界实验，这些实验与目标技术的中子相似性至关重要。相似性由相关系数c_k量化，该系数捕捉核数据不确定性对keff的共享偏差。通常，c_k需达到0.9以上才能保证实验的充分相似性。传统设计方法依赖于试错或经验，效率较低。该研究提出了一种逆设计流程：首先基于OpenMC计算的灵敏度向量训练深度神经网络代理模型；该模型采用U-Net卷积编码器-解码器结构，并创新性地引入多群注意力池化层，以捕捉不同空间依赖性的灵敏度。与传统池化方法相比，多群注意力池化不仅性能更优，还表现出可解释的内部行为。由于代理模型可微分，研究者能够利用梯度优化直接调整几何网格中每个位置的材料分配，从而在整个组合设计空间中最大化c_k。
该方法被应用于TN-Americas TN-LC运输容器的验证，该容器使用HALEU（高丰度低浓缩铀）燃料，现有临界实验覆盖有限。针对三种感兴趣配置，优化过程分别产生c_k分数为0.97757、0.81324和0.93276的实验几何。这些结果均接近或超过0.9阈值，表明该方法能有效生成高度相似的临界实验。研究还讨论了多群注意力池化层的内部机制，展示了其对不同能群灵敏度的聚类能力，从而提供直观的可解释性。
这项研究展示了深度学习与梯度优化在核工程中的巨大潜力，有望显著加速先进核技术的开发进程。未来，该方法可扩展至其他核系统，并通过改进模型架构和训练策略进一步提高精度和效率。