近日，原子能院核数据重点实验室在国际上首次提出，采用耦合深度相移神经网络(CPSDNN)方法开展中子共振截面建模计算，实现中子共振能区与快中子能区裂变截面的自洽计算，为面向未来的中子共振数据评价提供新思路。该方法丰富了机器学习在核物理中的应用，对于核数据评价建库有重要意义。研究成果发表在核物理国际重要学术期刊《物理快报B》(Physics Letters B)，文章第一作者为原子能院核物理研究所博士研究生邢康，通讯作者为核物理研究所研究员续瑞瑞，共同通讯作者为广西师范大学教授孙小军。

耦合相移神经网络结构示意图

中子共振截面数据是核反应数据的重要组成部分，涉及十分复杂的原子核共振反应物理过程，是核数据研究的难点。美国橡树岭国家实验室、欧洲核能协会等机构曾先后研发SAMMY、REFIT等共振分析软件，主要技术框架采用常见的R矩阵理论与多维实验拟合，适用范围较广，但由于种种原因，未应用于我国核数据研究。为此，原子能院、清华大学、南开大学等主要核研究院所与高校也研发了基于R矩阵理论的RAC、FDRR程序等，主要功能用于处理共振峰较少的轻核，但当前方法尚无法计算涉及千余共振峰的铀、钚等重核。

针对以上问题，原子能院核数据重点实验室创新地提出将机器学习算法——耦合相移深度神经网络方法应用于该领域，将中子共振数据在频域空间上从高频相移到了低频，快速高效地再现铀-235中子裂变截面3000多个共振峰与快中子能区裂变截面，在该领域研究取得重要进展。

耦合相移神经网络训练铀-235中子裂变截面结果图

作为人工智能(AI)研究热点领域之一，机器学习方法旨在通过数据训练模型，使计算机能够从数据中学习规律，并利用所获规律对未知数据进行预测或判断，从而使计算机通过数据实现自我改进，而非依赖人工显式编程。