open access

https://doi.org/10.14943/doctoral.k16251

https://hdl.handle.net/2115/95335

Prediction of nucleon-nucleus scattering cross section using a combination of Gaussian process regression and Nuclear reaction model

日本語

2025-03-25

Hokkaido University

iv, 52p

核データは、原子核の構造および反応、壊変関わるデータであり、原子核が反応を起こす確率を表す反応断面積，放射性壊変の半減期、その際に放出される放射線のエネルギーや強度等、原子核に固有の物理的事象に関する情報が該当する。ほぼ全ての安定な核種、および半減期の長い主要な不安定核種に対して、広範囲のエネルギー領域における核データを収容したものが核データベースである。核データベースは様々な科学技術分野で利用されているが、その作成には膨大な人的および時間的コストがかかるという問題がある。近年、機械学習を活用することでそのコスト削減が試みられているが、多くの場合、背景にある物理法則が十分に考慮されておらず、信頼性に問題がある。この問題を解決するため、機械学習による直接的な推定ではなく、核反応モデルを組み合わせることにより、信頼性の高い核データを、コストを抑えて作成することを発想した。この手法を用いれば、核反応理論に基づいた核データを作成できることに加え、核反応模型により標的核の粒子数依存性を推定することができることから、実験データが無い反応における断面積の推定を高精度に行う事が期待される。本研究では、検証の対象を核子-原子核散乱の断面積に定め、このアプローチがどれほど有用であるかを確認する。機械学習アルゴリズムを用いて核反応モデルのパラメータの最適化を行い、得られた最適なパラメータを基に、任意の入射エネルギーおよび標的核に対する最適値の推定を行った。推定したパラメータを使用して断面積を計算し、実験値と比較することで、本研究の有用性を示す。核反応モデルにはチャネル結合光学モデルを採用し、計算プログラムとして CCONE を用いた。また、機械学習アルゴリズムにはガウス過程回帰を採用した。CCONE による計算値が実験値を再現するように、ガウス過程回帰によって光学ポテンシャルのパラメータを最適化および推定するシステムを開発した。断面積の実験値と CCONE による計値との差異を示す評価関数を導入し、その関数を最小化することで光学ポテンャルのパラメータの最適値を決定した。この方法で得られたパラメータの最適値を使用することで、実験データを十分に再現する。また、この手法は、様々な入射エネルギーや標的核、入射粒子に対して有効であることを確認した。次に、同じ標的核と入射粒子を用い、入射エネルギーが異なる実験データに対して最適なパラメータの値を求めた。その後、求めたパラメータの最適値のセットをガウス過程回帰に入力し、任意の入射エネルギーにおけるパラメータの最適値を推定し。この場合にも、十分な精度で実験値を再現した。同様の方法で、中性子数と入射粒子が同じだが、入射エネルギーと陽子数が異なる反応の実験データから、任意の陽子数および入射エネルギーにおけるパラメータの最適値を推定した。この場合にも、十分な精度で入力として用いていない反応の実験値を再現した。さらに、入力データの分布に応じて推定結果がどの程度変化するのかを議論した。推定したい反応の条件に近い入力データがある場合には推定精度は高いものの、入力データから大きく異なる反応の推定は、再現性が低く、推定誤差も大きくなる。ただし、データに挟まれ内挿の推定が行われる場合には、推定精度は比較的良好であることがわかった。以上の結果から、機械学習に入射エネルギーの異なる実験値から求めたパラメータの最適値を入力し、任意の入射エネルギーにおける核子-原子核散乱の断面積を推定する試みが有用であることが示された。標的核が異なる場合でも、陽子数の異なる実験値から求めたパラメータの最適値を入力することで、任意の陽子数を有する標的核における核子-原子核散乱の断面積を推定することも可能であるとわかった。しかし、本研究で議論した手法を用いて実用的な精度で断面積を算出するためには、追加で 2 点検証するべきことがある。1 点目は、任意の中性子数を持つ標的核、任意の入射粒子に対する反応においても、同様の手法でパラメータの推定が可能かどうか、である。この検証はガウス過程回帰が複数入力の推定に対しても有効であり、エネルギー、陽子数の依存性を同時に推定することができたことから、本論文で示した手法で推定可能だと考えられる。2 点目は同時に推定するパラメータの数を増やしても推定が可能かどうか、である。本研究では推定対象のパラメータを 1 つに限定したが、光学ポテンシャルを構成する全てのパラメータを調整しなければ、核データの評価としては不十分である。しかし、本論文で機械学習に使用しているガウス過程回帰は複数の出力には対応していないため、複数出力に対応したガウス過程回帰 (MOGP) を利用するなど、機械学習の手法を改善する必要がある。

2025-03-25

甲第16251号

博士(理学)

(主査) 客員教授 木村 真明, 教授 小林 達夫, 准教授 野村 昂亮, 准教授 平林 義治

理学院（宇宙理学専攻）

博士論文

Version of Record