利用梯度优化与多组注意力神经网络实现逆临界实验设计
核反应堆设计与燃料验证严重依赖临界实验，而实验与目标技术之间的中子学相似性是评估实验有效性的关键。传统上，相似性由相关系数 (c_k) 量化，它捕捉核数据不确定性引起的 (k_\text{eff}) 共享偏差。通常，(c_k \geq 0.9) 被认为是实验足够相似的阈值。然而，设计出满足这一要求的高相似度实验几何构型极具挑战，往往依赖专家经验和大量试错。
近期，一篇发表于 arXiv 的论文（arXiv:2606.04033）提出了一种逆设计方法，利用深度学习与梯度优化自动生成临界实验方案，显著提升了相似度与设计效率。该方法的核心在于：
方法：神经网络替代模型 + 梯度优化
研究者训练了一个深度神经网络作为替代模型，用于预测给定几何构型的灵敏度向量。该网络基于 OpenMC 计算的灵敏度数据，采用 U-Net 卷积编码器-解码器架构，并创新性地引入多组注意力池化层。传统池化方法（如最大池化、平均池化）会丢失空间依赖信息，而多组注意力池化能够捕捉不同能量组下灵敏度分布的空间特征，不仅提升了预测性能，还提供了可解释的内部行为。
替代模型的可微性使得梯度优化得以应用于整个组合设计空间。优化过程直接改变几何网格中每个位置的材料分配，以最大化 (c_k)。这种方法规避了传统搜索算法的离散性和维数灾难问题。
应用案例：TN-LC 运输容器验证
研究将方法应用于 TN-Americas TN-LC 运输容器的验证，该容器使用 HALEU（高丰度低浓缩铀）燃料，现有临界实验数据覆盖极其有限。针对三种感兴趣的构型，优化后的实验几何分别达到了 0.97757、0.81324 和 0.93276 的 (c_k) 分数。其中两种构型远超 0.9 的阈值，第三种虽未达标，但已显著高于现有水平。
意义与展望
这项工作展示了深度学习在核工程逆问题中的巨大潜力。传统临界实验设计周期长、成本高，而基于梯度优化的方法可以快速探索巨大设计空间，自动生成高相似度的实验方案。这不仅加速了新型反应堆与燃料的验证流程，也为未来智能核设计工具奠定了基础。
值得注意的是，该方法目前仍依赖于模拟数据与代理模型的精度。未来工作可进一步扩展至三维几何、考虑更多不确定性来源，并集成到实际实验设计流程中。