A Machine leaning-based approach to estimate nuclide production cross sections

機械学習に基づく核種生成断面積推定法

岩元 大樹   ; 明午 伸一郎   ; 杉原 健太*

Iwamoto, Hiroki; Meigo, Shinichiro; Sugihara, Kenta*

核種生成断面積は、加速器及び原子力施設における放射化物の放射能評価に重要な核データである。核破砕反応における放射性核種の生成は、核内カスケード+蒸発モデルの物理モデルを用いて説明できるが、実験値を正確かつ包括的に再現することは依然として困難である。この問題に対処するため、核種生成断面積を標的物質に対して包括的に推定する機械学習(ML)モデルを開発した。このモデルは核反応データベースEXFORの実験データを学習データとして用い、転移学習を活用してデータが少ない領域でも核種生成断面積を推定できる。前回の研究において、開発したMLモデルが広範な標的に対してBe及びH生成断面積を包括的に推定できることを示した。本研究では、このMLモデルをHe, Be ( y), Na ( y), Na ( h)等の加速器施設設計や天体物理学にとって重要な核種に適用し、核種生成断面積を包括的に推定できることを示す。

The nuclide production cross sections are crucial for evaluating the radioactivity of activation products in accelerators and nuclear facilities. Although the production of radionuclides in spallation reactions can be explained using physics models like the nuclear cascade plus evaporation model, accurately and comprehensively reproducing experimental values remains challenging. To address this problem, we have developed a machine learning (ML) model to comprehensively estimate nuclide production cross sections for target materials. The model is trained on experimental data from the nuclear reaction database EXFOR and can estimate nuclide production cross sections even in data-poor regions by utilizing transfer learning. In a previous study, we demonstrated that our model can comprehensively estimate Be ( d) and H ( y) production cross sections for a wide range of targets. In this study, we apply the ML model to nuclides important for accelerator facility design and astrophysics, such as He, Be ( y), Na ( y), and Na ( h), showing that it can comprehensively estimate their production cross sections.