用于极低当量核试验验证的伽马能谱裂变产额机器学习推断
仪器与探测器
2026-05-11 v1 核实验
摘要
极低当量核试验对《全面禁止核试验条约》(CTBT) 的零当量标准构成了重大验证挑战。零当量标准禁止任何产生自持裂变链式反应的爆炸实验，同时允许亚临界实验。先前的研究表明，对试验后碎片的现场伽马能谱分析可以提供对临界度水平的有用见解，尽管它仍然严重依赖于对某些实验设置的了解。在此，我们采用一种新方法，利用在模拟伽马能谱数据上训练的机器学习模型来推断极低当量核试验的裂变当量。利用高保真度 3D 蒙特卡罗粒子输运模拟，我们生成了 6600 万个代表性场景下极低当量试验后在包容容器外测量到的伽马能谱。从这些能谱中，我们提取了 82 个裂变产物与钚-239 的峰值比，然后针对两项任务训练了 ML 模型：(1) 二分类，判断试验是否超过了选定的当量阈值；(2) 回归，估计实际当量。我们发现，XGBoost 在最具政策相关性的当量范围内的分类任务中表现最佳。即使对于接近选定阈值的当量（例如，在 1 kg TNT 阈值上下浮动 100 g 范围内），该分类器也实现了高准确率（>95%），并且对于试验后一个月至一年内进行的测量，回归器呈现的平均绝对相对误差为 12.4%。这些结果表明，利用机器学习从伽马能谱数据推断过去极低当量核试验的当量是可行且准确的。这种方法可以支持建立稳健的零当量标准验证协议的努力，并可能为未来在技术上可行且政治上可行的基于当量阈值的验证机制铺平道路。
引用
@article{arxiv.2605.04674,
title = {Machine learning inference of fission yields from gamma spectroscopy for very low-yield nuclear test verification},
author = {Julien de Troullioud de Lanversin and Jiehui Li and Christopher Fichtlscherer and Dongdong She and Moritz Kütt},
journal= {arXiv preprint arXiv:2605.04674},
year = {2026}
}