Нейросети научились разрешать нейтронные резонансы: новый подход к анализу спектров
Физики предложили использовать полносвязные свёрточные нейросети для автоматического поиска нейтронных резонансов в спектрах пропускания. Метод дополняет традиционные R-Matrix коды и обещает ускорить анализ сложных и зашумлённых данных.
Анализ нейтронных спектров пропускания — одна из ключевых задач ядерной физики. По положению и форме резонансов исследователи определяют свойства ядер, параметры сечений и поведение материалов в реакторах. Однако реальные данные почти всегда содержат шум и перекрывающиеся пики, из-за чего традиционные алгоритмы поиска экстремумов часто дают сбои или требуют длительной ручной настройки.
Что произошло
В новой работе на arXiv (2608.04027v1) представлен подход, основанный на полностью свёрточных нейронных сетях. Авторы исследуют возможность объединить такие модели с классическими R-Matrix кодами, которые сегодня считаются стандартом для разрешения резонансной структуры. Нейросеть автоматически выделяет кандидатов в резонансы прямо из «сырых» трансмиссионных спектров, без явного задания порогов и предположений о форме линий. Это делает анализ более устойчивым к шумам и перекрытиям пиков.
Почему это важно
Традиционные методы peak-identification справляются с относительно чистыми сигналами, но деградируют при низком отношении сигнал/шум и при наличии близко расположенных резонансов. R-Matrix коды, в свою очередь, требуют начального приближения параметров и вмешательства эксперта. Свёрточная сеть способна обучаться на размеченных примерах, улавливать скрытые закономерности и выдавать вероятностную карту резонансных позиций. Это снижает зависимость от субъективных решений и потенциально ускоряет обработку больших массивов данных, особенно в области ядерных данных и реакторных приложений.
Если модель подтвердит свою эффективность на более широкой выборке, машинное обучение станет стандартным инструментом в арсенале ядерной физики, а не просто экспериментальной игрушкой.
Что дальше
Авторам предстоит провести валидацию на независимых наборах данных, сравнить результаты с ручным анализом экспертов и интегрировать нейросеть в существующие R-Matrix конвейеры. Важным направлением станет оценка неопределённостей: нейросеть должна не только находить резонансы, но и сообщать, насколько она уверена в своём решении. Если эти вопросы будут решены, гибридные методы на основе машинного обучения смогут значительно повысить производительность и надёжность обработки ядерных спектров.
Материал подготовлен с помощью ИИ на основе открытых источников и может содержать неточности. Нашли ошибку — напишите на hello@tolk.media.