跳到正文
返回核应用物理
至真探索 · 核应用物理

核数据科学-从评价库到机器学习预测的革命

2026-07-26

核反应截面这件事本质上很古老。1930年代费米测了第一个中子截面——之后九十年，全世界积累了大约2.5-3万条实验截面数据。每一条代表一个特定的弹核-靶核组合在一个特定能量下的一次测量。但评价核数据库——ENDF/B（美国）、JENDL（日本）、CENDL（中国）、JEFF（欧洲/NEA）——需要提供的核数据是任何弹核-靶核组合在所有能量上的连续值。实验数据稀疏得不足以填满全部能量点。所以评价——你拿理论模型（光学模型、统计模型、预平衡模型、裂变模型）做计算，再用可用实验点去约束模型参数，最后输出一条"最佳估计"曲线和一个误差条。

这个链条的每一个环节——模型参数的选取、实验点的加权、外推到无数据区域的可靠性、系统误差的传播——在一百年里都是靠评价者的经验、判断和手工操作。一个核素的一套评价可能要花一个人几个月到一年。全球大约有两百人全职做这件事。

2024-2026年——这个链条正在被机器学习从上到下、从下到上地翻新。

先从评价数据库本身的更新说起。

ENDF/B-VIII.1于2024年8月发布——替代了2018年的VIII.0。主要变化来自INDEN（国际核数据评价合作网络）对结构材料（铁、铜、硅、铬、氟）的协同改进——共振参数、弹性角分布和协方差数据的质量都有了明显提升。

JEFF-4.0在欧洲核数据机构NEA的主持下于2025年发布——这是JEFF系列一次重大的版本更替。它覆盖了3,852个衰变数据项——远超过以前任何JEFF版本——并且首次纳入了协同评价的数据。

CENDL-4.0——中国的评价核数据库——正在完成最后的编制，预计2025年底或2026年初正式发布。它将从CENDL-3.2的272个中子核素扩展到约400个中子材料——并首次加入光子核数据（266个核素）、衰变数据（2,354个核素）、活化数据（818个）、裂变产额（40个）和质子数据（78个）。CENDL-4.0的衰变子库覆盖A=66到A=172的核素，更新了基于AME2020的质量值和截至2021年12月的新半衰期测量数据。

FENDL-3.2c（聚变评价核数据）在2025年完成更新——2025年6月IAEA核数据会议上，FENDL-4.0的路线图被正式提出：目标是集成新评价、扩展活化和协方差数据、增加热中子散射规律、并实现验证与确认流程的自动化。TENDL-2025（TALYS评价核数据库的年度版本）也在开发中——它使用自动化优化在30 MeV以下对微分数据做改进，未来规划包括更高效的积分验证、更注重角分布和双微分发射谱——最终目标是一个绕过ENDF格式的TALYS事件发生器——直接产生带有完全关联性的真实核反应模拟。

同时——IAEA协调的GENF/D（全球评价核文件/衰变）作为一个全新的衰变数据子库登场——基于NUBASE2020和最新的ENSDF数据——涵盖5,502个同位素和8,531个衰变道。

所以评价库本身在扩大、在系统化、在协作化。INDEN在结构材料上的成功正在被推广到锕系（钚、铀同位素）和其他材料——但锕系核在低能区的共振结构复杂、实验数据又是核武器时代的遗留数据——可获取性和质量参差不齐。

现在看机器学习——它正在以四种完全不同的方式进入核数据评价。

第一种方式：用神经网络或图形神经网络做截面预测——替代或辅助传统理论计算。

Choi等人（2025年，*Physical Review C*）提出了一个两阶段框架：先用变分自编码器（VAE）或隐式神经表示（INR）在理论模型产生的数据上学习核素的"嵌入"——再把嵌入和入射能量一起输入图神经网络（GNN）——GNN利用同位素链的拓扑结构（相邻质量数的截面关系）来预测未经测量的反应截面。这项工作突破了传统ML截面预测的一个主要限制——"不能用信息在核素之间传递"。以前你只能对一种靶核训练一个单独的模型。GNN让跨核素预测成为可能。

Tang等人（2025年）用多层感知机（MLP）+ Monte Carlo Dropout来处理氘核引起的核反应截面。关键创新：把TALYS计算的先验截面作为MLP的输入特征之一——而不是让MLP从零学。同时用Monte Carlo Dropout给每个预测值带上不确定性区间。结果：R²=0.90，RMSE=77.85 mb——在实验数据稀疏区域，这个方法的预测能力显著优于纯TALYS。

同样在2025年——一个贝叶斯优化深度神经网络（BPNN）被用于(p,2n)反应的截面预测——医学同位素生产的核心反应道。Pearson相关系数达到R=0.9997——而TALYS-2.0只有R=0.9783。在BPNN面前——TALYS的偏差被纠正了约10倍。一个值得注意的设计选择：BPNN用严格的"基于核素的分组交叉验证"——意思是"训练集和测试集永不包含同一种核素的数据"——这是避免过拟合的最严格检验。

神经网络的存储效率也在2025年得到了一次惊人演示。Calvin、Che、Wang等人（*Annals of Nuclear Energy* 220, 2025）把基于GPU的神经网络微观截面模型部署到了Griffin反应堆物理应用里——预测279个核素在20,160个网格点上的微观截面参数空间。结果：传统的XML截面表需要10GB存储空间；LibTorch神经网络模型只用11 MB——减少了约1,000倍。在二维堆芯模型上的计算误差：特征值、裂变率和吸收率的偏差都在0.01%以内。代价：运行时间增加了约3倍（因为NN的前向计算比查表稍慢）。在温度系数这类对微分变化敏感的积分量上——最大偏差约为0.3 pcm/K——对于工程堆芯设计是可以接受的。

第二种方式：用AI做模型参数的空间探索和优化——替代手工调参。

2025年——一篇标志性论文在核数据建模圈里引起了广泛关注：它用多目标进化优化（NSGA-II遗传算法）同时拟合了42个TALYS模型参数——包括光学势半径和弥散度（中子、质子和α粒子）、核能级密度参数、预平衡能级密度参数和自旋截断参数——覆盖从Ni到Ge区域的16个核素的复合反应道。结果：产生的帕累托前沿（Pareto front）非支配解集给出了数据驱动的不确定性量化——不确定度宽度比传统"模型变化"方法（即在不同模型版本间手工切换来估计误差）窄了约五倍——与实验截面的符合程度比默认TALYS、ENDF/B-VIII和TENDL-2023都更好。

TENDL-2025本身的开发也开始使用自动化优化——~10个可调参数用于改进30 MeV以下的中子微分数据——未来计划是更高效积分验证、更注重角分布和双微分发射谱。更激进的长期目标是TALYS事件发生器——跳过ENDF格式的数据表示，直接产生完全关联的核反应模拟。

第三种方式：贝叶斯核数据调整与不确定性量化。

Brady和Wu在2026年*Nuclear Science and Engineering*上发表的OECD/NEA WPNCS SG14基准题研究——比较了贝叶斯逆不确定性量化（IUQ）与广义线性最小二乘法（GLLS）以及蒙特卡罗贝叶斯（MOCABA）三种方法。在非线性应用中——GLLS无法复现使用调整参数后计算的反应分布——而IUQ成功做到。它还识别了哪些积分实验与目标应用有低相关性——这在挑选"对你要做的计算最有用"的实验时具有直接的实践意义。

第四种方式：贝叶斯方法从后端前推到核结构。

2026年——R. Navarro-Perez、P. Stevenson和合作者发表了SPICE模型（*Communications Physics* 9, 2026）——这是一种基于壳模型启发的局部贝叶斯平均来预测原子核质量的框架。SPICE只用了10-13个参数——就在整个核素图上达到了约500 keV的均方根偏差——同时提供了完全概率化的预测和合理的不确定性区间。关键是——不确定性区间在外推到中子丰区域时保持稳健——这是传统外推模型办不到的。

另一个贝叶斯方法——2025年*Physical Review C*上的Bayesian Mixture Density Network（BMDN）——结合了高斯过程回归、注意力机制的贝叶斯神经网络和混合密度网络输出来预测中子诱发裂变电荷产额——在稀疏数据条件下同时处理认知不确定性和偶然不确定性。

现在把视线转回中国。

CENDL-4.0的开发工作——由中国核数据中心主持——是中国核数据评价历史上单次扩展最大的版本。从272个中子核素扩展到约400个——且首次加入光子核、衰变、活化、裂变产额和质子子库。但这只是基础数据库的扩展。

在AI+核数据方面——中国的亮点主要有几处：

INCL+贝叶斯神经网络（BNN）混合模型——中国团队（2025/2026）提出的耦合Liège核内级联模型（INCL）与BNN的方法——用于计算ADS（加速器驱动次临界系统）所需的中高能质子/中子诱发裂变截面。INCL-BNN成功复现了实验截面趋势并在无数据区间给出了物理上合理的预言。

LSTM+GRU混合循环神经网络——Mukobara、Chiba、Ishizuka等人（2024年，*EPJ Web of Conferences*）用混合LSTM-GRU网络对四维朗之万模型的裂变轨迹进行分类——判断每条轨迹走向对称还是不对称裂变——准确率超过70%。这个工作虽然发表在国际期刊上——核心作者来自中国原子能科学研究院的核数据团队。

Tang等人的BPNN+SHAP可解释核反应截面模型（2025）——来自中国机构的团队将SHAP可解释性分析引入截面预测——识别出对模型输出影响最大的输入特征（入射能量、理论先验和核子数）——打开了核数据ML黑箱。

2025年度中国核数据研讨会——中国核数据中心/北京大学联合举办的年度会议上——AI+核数据是一个专门分会场。讨论的重点议题包括：GNN在中高能裂变截面预测上的应用、核数据评价中对抗网络的生成数据增强、以及基于Transformer的核反应道识别。

现在诚实地说说裂缝。

第一：NN预测的可信度问题。目前所有截面预测NN——无论多准确——在真实评价流程中都还没被接受为独立证据。评价流程的最高标准仍然是用独立的、高质量的、可复现的实验测量来验证。NN的预测可以作为"补充信息来源"——但不能替代实验。ENDF/B-VIII.1和JEFF-4.0中的任何变化——最终依旧是基于实验数据的评价者决策——不是基于NN推荐。

第二：多目标优化42参数的帕累托前沿——虽然漂亮——但是对Ni-Ge区域的16个核素在一个TALYS版本下拟合的。这些参数能否迁移到其他质量区、其他入射粒子、其他TALYS版本——没有任何公开验证。帕累托前沿的宽度只反映了在该特定条件下的参数不确定性——不包括模型形式不确定性——而模型形式不确定性（optical模型的选择、level density模型的选择）在核数据评价中往往比参数不确定性更大。

第三：1,000倍的存储节省（10 GB→11 MB）目前只在Griffin框架中被验证——Griffin的核素数据主要针对工程堆芯计算（多群微观截面、预先算好的插值网格）。对更精细的核物理分析（逐能级的共振重构、耦合共振区处理）——神经网络的光滑近似可能丢失共鸣细节。

第四：SPICE模型在原子核质量预测上的贝叶斯不确定性区间虽然在总体表现上可信——但要达到纯粹的评价核数据需求（被用于约束天文r过程网络或0νββ半衰期预测）——500 keV的RMS偏差还差了一个量级。在质量预测的语境里——500 keV已经是飞跃性进步（相比于传统宏-微观模型），但评价核数据要求的质量精度在少数关键核上需要压到50 keV以内。

第五：CENDL-4.0虽然覆盖范围扩大了很多——但协方差数据（不确定性量化）的覆盖率仍然远远落后于ENDF/B和JEFF系列。没有协方差数据——你在反应堆物理灵敏度分析中只能做"手工箱"扰动——无法系统地传播核数据不确定性到堆芯设计参数。中国核数据社区知道这个差距——近年来的INDEN参与和国际协方差数据研讨会（如WPEC-SG46）上中国团队正在追赶——但CENDL-4.0的协方差覆盖比ENDF/B少一个数量级。

核数据科学在2024-2026年正处在一个十字路口。评价库本身在扩展——CENDL-4.0和JEFF-4.0的同时发布是自2018年VIII.0以来的第一次大规模同步更新。AI/ML方法正在以压倒性的速度切入——NN截面预测、GNN跨核素映射、贝叶斯模型优化、NN存储替换——每一个方向都有自己的早期成功和尚未解决的致命缺陷。评价库的结构（ENDF-6格式本身自1960年代以来基本未变）正在被TALYS事件发生器的规划所挑战。CENDL-4.0的中国团队在评价库覆盖上赶上了——但在协方差数据和AI方法的基础设施上还在追赶。

这不是一个"AI替代评价者"的故事——在故事发生之前，有大量的基准验证、不确定性量化和格式标准化必须完成。但在2026年——四家评价库在同步更新、NN模型在紧逼、贝叶斯方法在从后到前全线推进——你可以感觉到这个领域正在从"手工艺"走向"数据科学"。

---

参考文献

  1. CENDL-4.0 Collaboration (中国核数据中心), "CENDL-4.0: Currently under compilation, expected late 2025/early 2026," IAEA NRDC 2025. — ~400中子核素, 新增光子核(266)/衰变(2354)/活化(818)/裂变产额(40)/质子(78)子库; 衰变数据基于AME2020。
  1. JEFF-4.0 Collaboration (OECD/NEA), "JEFF-4.0: Joint Evaluated Fission and Fusion Library," 2025. — 3,852 decay entries; 首次纳入协同评价; NEA/巴黎。
  1. ENDF/B-VIII.1 Collaboration, "ENDF/B-VIII.1 release," August 2024. — 美国国家核数据中心(NNDC)/BNL; INDEN结构材料(Fe, Cu, Si, Cr, F)共振参数+协方差改进。
  1. A.J. Koning et al., "TENDL-2025: TALYS Evaluated Nuclear Data Library," NRDC 2025. — 自动化优化(~10参数)30MeV以下中子微分数据; TALYS事件发生器规划。Koning(IAEA/NRG)。
  1. S. Choi et al., "Learning nuclear cross sections across the chart of nuclides with graph neural networks," *Physical Review C* (2025). DOI:10.1103/4jd4-bnyh. — VAE/INR嵌入+GNN拓扑结构跨核素截面预测。Choi(UNIST,韩国)。
  1. S. Tang et al., "A neural network with uncertainty quantification for predicting deuteron-induced reaction cross sections using theoretical priors," arXiv/INSPIRE (2025). — MLP+MC Dropout+TALYS先验; R²=0.90; 分组交叉验证。Tang(北京大学/中国核数据中心)。
  1. B. Calvin, Q. Che, J. Wang et al., "Deployment of neural-network-based neutron microscopic cross sections in the Griffin reactor physics application," *Annals of Nuclear Energy* 220, 2025. — 10GB→11MB(1000×); 2D堆芯计算偏差<0.01%; 温差系数最大0.3pcm/K。Calvin(INL), Che(INL), Wang(INL)。
  1. F. Brady, Z. Wu, "Nuclear Data Adjustment for Nonlinear Applications in the OECD/NEA WPNCS SG14 Benchmark—A Bayesian Inverse UQ-Based Approach for Data Assimilation," *Nuclear Science and Engineering* (2026). DOI:10.1080/00295639.2025.2592175. — IUQ vs GLLS vs MOCABA; GLLS在非线性应用失败; IUQ成功+低关联实验选择。Brady/Wu(ANL)。
  1. R. Navarro-Perez, P. Stevenson et al., "A flexible Bayesian framework for atomic masses by locally inferring configuration mixing: SPICE," *Communications Physics* 9 (2026). — 10-13参数→~500keV RMS; 贝叶斯外推至丰中子区保持稳健; UQ评估可信。Navarro-Perez/Stevenson(Surrey大学)。
  1. J.L. Rodríguez-Sánchez et al., "Neural network-based prediction of particle-induced fission cross sections for r-process nucleosynthesis trained with dynamical reaction models," *Nuclear Physics A* 1060, 2025. — NN+INCL/ABLA→质子诱发散裂裂变截面; 超参数空间系统扫描。Rodríguez-Sánchez(拉科鲁尼亚大学/西班牙)。
  1. 中国合作组, "Study on Intermediate- and High-Energy Proton and Neutron Induced Fission Cross-Sections by Coupling the Liège Intranuclear Cascade Model with Bayesian Neural Networks," ChinaXiv (2025/2026). — INCL+BNN混合模型; ADS中高能截面。Xi'an/北京。
  1. Y. Mukobara, S. Chiba, K. Ishizuka et al., "Machine learning classification of fission trajectories from 4D Langevin model," *EPJ Web of Conferences* (2024). — LSTM+GRU混合网络; 对称vs不对称裂变分类>70%准确率。Mukobara(东京科学大学)/Chiba(NAT)/中国原子能院合作。
  1. "Multi-objective evolutionary optimization of TALYS model parameters using NSGA-II," (2025). — 42参数多目标进优化→Ni-Ge区16核素; 帕累托前沿不确定度比传统模型变化窄5×; 优于默认TALYS/ENDF/TENDL。
  1. FENDL-4.0 / IAEA Nuclear Data Section, "FENDL-4.0 roadmap," NRDC 2025, June 2025. — 聚变评价库; 集成新评价+扩展协方差+热散射规律+自动V&V; IAEA/维也纳。
  1. Bayesian Mixture Density Network for fission charge yields, *Physical Review C* 112 (July 2025). — GP+BBN+MDN→中子诱发裂变电荷产额; 稀疏数据下认知+偶然不确定度。BMDN团队(LLNL/LANL)。
  1. A.D. Efimov, P.N. Koval, I.N. Izosimov, P.N. Usmanov, "Moments of inertia in IBM," *Nuclear Physics A* (2025). — ²²⁰Th, ²⁴²,²⁴⁴Pu回弯; IBM+超重核CDFT比较; 对核数据原子质量评价相关。