耦合相移神经网络结构示意图
中子共振截面数据是核反应数据的重要组成部分，涉及十分复杂的原子核共振反应物理过程，是核数据研究的难点。美国橡树岭国家实验室、欧洲核能协会等机构曾先后研发SAMMY、REFIT等共振分析软件，主要技术框架采用常见的R矩阵理论与多维实验拟合，适用范围较广，但由于种种原因，未应用于我国核数据研究。为此，原子能院、清华大学、南开大学等主要核研究院所与高校也研发了基于R矩阵理论的RAC、FDRR程序等，主要功能用于处理共振峰较少的轻核，但当前方法尚无法计算涉及千余共振峰的铀、钚等重核。
针对以上问题，原子能院核数据重点实验室创新地提出将机器学习算法耦合相移深度神经网络方法应用于该领域，将中子共振数据在频域空间上从高频相移到了低频，快速高效地再现铀-235中子裂变截面3000多个共振峰与快中子能区裂变截面，在该领域研究取得重要进展。
耦合相移神经网络训练铀-235中子裂变截面结果图
作为人工智能(AI)研究热点领域之一，机器学习方法旨在通过数据训练模型，使计算机能够从数据中学习规律，并利用所获规律对未知数据进行预测或判断，从而使计算机通过数据实现自我改进，而非依赖人工显式编程。
