基於梯度優化與多羣注意力神經網絡的逆臨界實驗設計
本研究提出了一種利用深度神經網絡代理建模和非參數梯度優化進行逆臨界實驗設計的方法，旨在最大化實驗與目標技術之間的中子相似性係數c_k。該方法結合U-Net編碼器-解碼器與新型多羣注意力池化層，通過直接優化幾何網格材料分配來提升c_k。應用於HALEU燃料運輸容器驗證，對三種配置分別取得0.97757、0.81324和0.93276的高分，展示了深度學習在加速核技術驗證中的潛力。
近日，一篇由Will Savage等人提交至arXiv的論文（編號2606.04033）提出了一種基於深度學習和梯度優化的逆臨界實驗設計方法，旨在通過最大化中子相似性係數（c_k）來加速先進核反應堆和燃料概念的驗證。該工作發表於2026年6月，研究團隊來自相關核工程領域，論文詳細描述了該方法的設計、實現和驗證過程。
核反應堆驗證通常需要臨界實驗，這些實驗與目標技術的中子相似性至關重要。相似性由相關係數c_k量化，該係數捕捉核數據不確定性對keff的共享偏差。通常，c_k需達到0.9以上才能保證實驗的充分相似性。傳統設計方法依賴於試錯或經驗，效率較低。該研究提出了一種逆設計流程：首先基於OpenMC計算的靈敏度向量訓練深度神經網絡代理模型；該模型採用U-Net卷積編碼器-解碼器結構，並創新性地引入多羣注意力池化層，以捕捉不同空間依賴性的靈敏度。與傳統池化方法相比，多羣注意力池化不僅性能更優，還表現出可解釋的內部行為。由於代理模型可微分，研究者能夠利用梯度優化直接調整幾何網格中每個位置的材料分配，從而在整個組合設計空間中最大化c_k。
該方法被應用於TN-Americas TN-LC運輸容器的驗證，該容器使用HALEU（高丰度低濃縮鈾）燃料，現有臨界實驗覆蓋有限。針對三種感興趣配置，優化過程分別產生c_k分數為0.97757、0.81324和0.93276的實驗幾何。這些結果均接近或超過0.9閾值，表明該方法能有效生成高度相似的臨界實驗。研究還討論了多羣注意力池化層的內部機制，展示了其對不同能羣靈敏度的聚類能力，從而提供直觀的可解釋性。
這項研究展示了深度學習與梯度優化在核工程中的巨大潛力，有望顯著加速先進核技術的開發進程。未來，該方法可擴展至其他核系統，並通過改進模型架構和訓練策略進一步提高精度和效率。