【记录】我做过的关于核工程的科研项目

我做过的关于核工程的科研项目

---

在这篇文档里我记录了一些我之前做过的关于核工程的项目，我本科是核工程出身，既有物理背景也有工程背景(总体来说还是工科的内容学得更多一些)。要从传统工科转变为理论科研思维是不容易的，在工科的世界里，很多事情有些不求甚解，譬如插值法、模拟退火法等等，工科生一般是当做工具使用，很多人连其原理都不清楚，但是做理论的人需要对这些“工具”知根知底且懂得如何改良。

我做过以下和核工程有关的科研项目：

• 核电厂仿真模拟控制台：使用javascript写的一个服务器端的Web应用，模拟了核电厂回路的操纵员控制台。
• 辐照材料图像的生成模型：使用对抗神经网络(WGAN)构建了一个关于辐照材料图像的生成模型，使得研究人员可以跳过实验由参数得到图像。
• 加速器的流计算模型：使用Kafka框架实现的一个流计算程序，可以收集数据并进行分析。
• 核素识别算法：我使用C++构建了一个实用于嵌入式设备的在线学习算法，精度达到了99%以上。对混合核素的识别率也很高。
• 公式自动推导：这是一个相对基础科研来说是更宽泛的一个应用，它还有一个名字叫做Symbolic Calculation(符号计算)。我使用强化学习算法和图结构来研究自动求解微分方程组。

---

各个项目概要

---

核电厂仿真模拟控制台

该项目已取得软件著作权

这个项目可以实现控制台的仿真，增加使用者对核电厂运作原理的理解。仿真控制模块有以下几大类：

• 一回路控制调节
• 反应堆调节
• 二回路流量调节
• 发电模块调节
• 数据监控(核电厂自身负载、以及其功率输出)

---

辐照材料图像的生成模型

这个项目的意义是可以使用数学模型和已有的一些实验数据粗略地替代辐照实验里的某些实验过程;来看看我们运用了哪些组件：

• 材料图像编码器encoder:可以写作 $P(Z|image)$， $Z$是一个维度很高的特征向量，也是材料图像编码器encoder编码出来的特征编码code；

• 实验数据编码器encoder:可以写作 $P(X_s|Z)$， $X_s$是实验参数(辐照温度、剂量等)组成的向量；

• 实验数据解码器decoder:可以写作 $\hat{Q}(Z|X_s)$，将实验参数(辐照温度、剂量等)组成的向量映射到特征编码 $Z$；

• 材料图像解码器decoder:可以写作 $\hat{Q}(image'|Z)$， $Z$是特征编码， $image'$是我们的模型根据实验参数(辐照温度、剂量等)自己生成的材料图像；

---

核素识别算法

这个项目的论文已经被国际核工程大会ICONE2018接收为长论文。

这篇文章是结合高效的人工智能算法对核素能谱进行模式识别，进而可以达到高精度识别的效果。在算法的实现上使用C++构建了一个实用于嵌入式设备的在线学习算法，精度达到了99%以上。对混合核素的识别率也很高。

其中依赖的一个很核心的误差下界定理是：

定理

When $T>2log(d)$, the upper bound of the loss of weighted voting algorithm:
$\sum_{t=1}^{T}<w^{(t)}, v_t> \le min_{i\in[d]}\sum_{t=1}^{T}v_{t, i}+\eta T/2 + log(d)/\eta$

证明概要

for:
$\sum_{t=1}^{T}<w^{(t)}, v_t> -min_{i\in[d]}\sum_{t=1}^{T}v_{t, i} \le \eta T/2 + log(d)/\eta$

$min_{i\in[d]}\sum_{t=1}^{T}v_{t, i}$ is the minimal cost that the algorithm can achieve,
Then reduce the upper bound of the right, using the mean inequality:
$\eta T/2 + log(d)/\eta \ge \eta T$
and $\eta=\sqrt{2log(d)/T}$. So it’s proved.

---

公式自动推导

该项目是科研知识自动化的子项目。知识自动化是指用计算机来自动执行之前只有人可以完成的知识工作,而科研知识自动化特指在科研某个特定领域(比如原子核物理)通过数学模型组织知识框架和概念,抽象知识间联系,以建立一个可以代替人类专家进行知识推导的机器程序的研究。

一个核心的思想是，将公式表达看做Graph结构，然后就可以做图嵌入等操作，论文中我提出的迭代更新的目标代价函数是：

$x^{ID}_v = F_c( \underbrace{W_O \frac{1}{d_O} \sum_{u \in O}F_O(x_u,x_v)}_{Nodes \quad output}$
$+ \underbrace{W_I \frac{1}{d_I} \sum_{u \in I}F_I(x_u,x_v)}_{Nodes \quad input} + \underbrace{W_H \frac{1}{d_H} \sum_{u \in H}F_H(x_u,x_v)}_{Nodes \quad at \quad the \quad same \quad level} )$