中子诱发裂变反应截面的贝叶斯神经网络预测模型

核数据是核物理基础研究与核工程及核技术应用的基础数据。中子诱发核裂变反应截面是核数据的主要组成部分,在先进核能系统研发及核天体物理研究中具有重要应用。本工作基于贝叶斯理论,采用4层隐藏层每层200个神经元的前馈神经网络,利用马尔科夫链蒙特卡罗法(Markov Chain Monte Carlo simulation method,MCMC)和KL散度(Kullback-Leibler divergence,KL),针对^(238)U、^(232)Th和^(239)Pu中子诱发裂变核反应截面数据,建立了以入射能量和裂变截面作为输入参数和输出参数的贝叶斯神经网络计算模型。选取中子能区为1~200 MeV的^(238)U、^(232)Th和1~100 MeV的239Pu裂变截面实验数据和评价数据进行模型训练,利用MCMC方法构建马尔科夫链来近似目标分布,结合KL散度约束方法对损失函数进行优化。研究结果表明,贝叶斯神经网络预测模型能够很好地再现1~200 MeV的^(238)U、^(232)Th和1~100 MeV的^(239)Pu裂变截面数据,并对更高能量区间进行合理预测,为解决目前入射中子能量大于200 MeV的^(238)U、^(232)Th和大于100 MeV的^(239)Pu实验数据存在严重分歧问题及核数据评价提供重要参考。