Forskare från Hefei Institutes of Physical Science vid Chinese Academy of Sciences har utvecklat en neuronnätsmodell baserad på självuppmärksamhetsmekanismer för att snabbt kunna förutsäga strålningsskydd för rymdreaktorer.
Genombrottet, som syftar till att optimera strålskärmningskonfigurationer mer effektivt, publiceras i Nuclear Engineering and Design.
Mikro- och småreaktorer håller på att utvecklas till kompakta, säkra och koldioxidsnåla energilösningar, särskilt för rymduppdrag. Att utforma effektiva strålningsskydd för dessa reaktorer innebär dock betydande utmaningar på grund av snäva rumsliga begränsningar, strikta viktgränser och komplexa materialinteraktioner.
Även om traditionella Monte Carlo-simuleringar erbjuder hög noggrannhet är de beräkningsintensiva och tidskrävande, vilket gör dem mindre idealiska för snabba designiterationer.
För att komma till rätta med denna flaskhals fokuserade forskarna på rymdreaktorer och utvecklade en intelligent modell som hjälper till att utforma strålningsskydd snabbare och mer effektivt. Modellen bygger på ”self-attention neural network”, som kan lära sig mönster och göra korrekta förutsägelser.
Modellen tränades med hjälp av dataset som genererades av SuperMC, ett sofistikerat simuleringsverktyg som utvecklats av institutet och som beräknar strålningsinteraktioner med avskärmande material.
När modellen har tränats kan den snabbt utvärdera ingångsparametrar som skärmvikt och stråldosnivåer för att föreslå optimerade skärmkonfigurationer. Tester visade att modellens förutsägelser avvek mindre än 3% från dem som gjordes med konventionella Monte Carlo-metoder, men krävde betydligt mindre beräkningstid.
Denna studie ger ett innovativt tillvägagångssätt för optimering av skärmkonstruktioner för mikro- och små reaktorer.
Mer information om studien: Qisheng Chen et al, Prediction of radiation shielding design schemes based on adaptive neural networks, Nuclear Engineering and Design (2025). DOI: 10.1016/j.nucengdes.2025.113933
