核裂变过程产生数百种碎片的组合，裂变产物核的产额分布是一种关键裂变观测量，与其它多种裂变后的观测量相关。目前实验和理论都很难提供精确的核裂变产额数据，实验数据往往不完整，有误差，并存在分歧。特别是裂变数据的能量相关性对发展先进核能十分重要。实验数据的缺陷对核裂变的应用创新是一个挑战。
北京大学物理学院技术物理系、核物理与核技术国家重点实验室的裴俊琛长聘副教授，许甫荣教授团队与合作者提出基于贝叶斯机器学习和数据融合来评价不完美的裂变产额数据。数据融合对处理不完美数据具有优势，可以包括更综合的关联信息。在一种数据比较稀少时，通过异构融合可以引入另一种数据的能量相关性，有助于最大化的发掘利用原始的核数据的价值。
左图：贝叶斯数据融合对裂变碎片的产额-能量关系的评价
右图：基于异构融合对独立产额分布的评价
相关研究成果以“Bayesian approach to heterogeneous data fusion of imperfect fission yields for augmented evaluations”为题，以快报（Letter）形式在线发表于《物理评论C》（Physical Review C 106, L021304 (2022)）。此前课题组相关的早期开创工作曾发表在 Phys. Rev. Lett. 123, 122501 (2019)，本工作是机器学习在核物理应用中的一个新发展。
在该工作中，北京大学物理学院2021届本科生王子澳（现在巴黎高师）为论文第一作者，裴俊琛长聘副教授为通讯作者。合作者包括物理学院许甫荣教授，2022届博士生乔春源，中国原子能科学研究院中国核数据中心的陈永静研究员、舒能川研究员和葛智刚研究员。该项研究工作得到国家重点研发计划、国家自然科学基金等项目的支持。
论文链接：https://journals.aps.org/prc/abstract/10.1103/PhysRevC.106.L021304
