Искусственный интеллект помог спроектировать критические эксперименты для HALEU-контейнеров
Исследователи разработали методику обратного проектирования критических экспериментов для валидации ядерных реакторов и топливных концепций. Работа, опубликованная на arxiv, описывает использование глубоких нейросетей и градиентной оптимизации для автоматического создания геометрий, обеспечивающих максимальную нейтронную схожесть с целевой технологией.
Ключевой показатель — корреляционный коэффициент c_k, который отражает общую систематическую погрешность k_eff, вызванную неопределенностями ядерных данных. Для признания эксперимента репрезентативным требуется c_k ? 0,9.
Авторы обучили нейросеть на наборе данных, полученных с помощью OpenMC — кода для моделирования переноса нейтронов. Архитектура сети объединяет U-Net (сверточный кодировщик-декодировщик) и оригинальный слой multigroup attention pooling, который улавливает пространственные зависимости чувствительностей. Этот слой показал лучшую производительность, чем традиционные методы объединения, и обеспечил интерпретируемость внутренних процессов.
Дифференцируемость модели позволила применить градиентную оптимизацию ко всему комбинаторному пространству дизайна: изменяя назначение материалов в каждой позиции сетки, алгоритм максимизировал c_k. Метод протестирован на задаче валидации транспортного контейнера TN-Americas TN-LC с HALEU-топливом, для которого существующие критические эксперименты ограничены.
Оптимизация сгенерировала геометрии, обеспечивающие c_k = 0,97757, 0,81324 и 0,93276 для трех конфигураций. Таким образом, для двух из трех случаев результат превысил порог 0,9. Работа демонстрирует потенциал глубокого обучения для ускорения разработки передовых ядерных технологий.
