利用图神经网络学习核素图上的核反应截面
核理论
2025-10-29 v5
摘要
在这项工作中，我们探索使用深度学习技术来学习当我们添加或移除质子和中子时核截面如何变化。作为原理验证，我们关注快能区的中子诱发反应。我们的方法遵循两阶段学习框架。首先，我们应用表示学习，使用变分自编码器(VAEs)或隐式神经表示(INRs)将截面数据编码到潜在空间。然后，我们在得到的嵌入上训练图神经网络(GNNs)，通过利用相邻同位素的拓扑结构来预测核素图上的缺失值。我们展示了在9x9缺失核块内的准确截面预测。我们还发现，最优的GNN训练策略取决于所使用的潜在表示类型：VAE嵌入在原始空间中的端到端优化下表现最佳，而INR嵌入在GNN仅在潜在空间中训练时取得更好的结果。此外，使用聚类算法，我们将潜在向量组映射到核素图的区域，并表明VAE和INR能够发现一些中子幻数。这些发现表明，基于截面表示编码的深度学习模型与图神经网络相结合，在增强核理论模型方面具有显著潜力，例如通过提供截面协方差（包括跨材料协方差）的可靠估计。
引用
@article{arxiv.2404.02332,
title = {Learning nuclear cross sections across the chart of nuclides with graph neural networks},
author = {Hongjun Choi and Sinjini Mitra and Jason Brodksy and Ruben Glatt and Erika Holmbeck and Shusen Liu and Nicolas Schunck and Andre Sieverding and Kyle Wendt},
journal= {arXiv preprint arXiv:2404.02332},
year = {2025}
}
备注
Phys. Rev. C 112, 044601 (2025)