完全炉心モンテカルロ中性子輸送計算における機械学習で得た原子核データの精度評価と計算効率解析

なぜ高速化された炉シミュレーションが重要か

原子力発電所は、燃料が数か月から数年にわたってどのように振る舞うかを予測するために詳細なコンピュータモデルに依存しています。これらのモデルは安全性、効率性、新規炉の設計に不可欠ですが、計算時間が長くメモリ消費も大きいことで知られています。本論文は、機械学習がこれらのシミュレーションを支える巨大な原子核データ表を削減し、計算コストを大幅に下げつつも、エンジニアが頼る物理精度を損なわないかを検証しています。

物理を支えるデータの圧縮

シミュレーション中に中性子が炉心内を移動するたびに、コードは反跳、吸収、核分裂などの確率を記述した大規模な表を参照します。これらの表は原子核データライブラリと呼ばれ、燃料や生成物に含まれる多数の同位体について数千のエネルギー点にわたる確率を符号化しています。著者らは、これらの表を“間引く”以前の機械学習手法を発展させています：反応閾値や共鳴ピークのように確率が急変する鋭い特徴を保持しつつ冗長なエネルギー点を除去します。従来の長い処理チェーンでデータを再生成する代わりに、この手法はOpenMCのネイティブなHDF5ファイルを直接編集し、23の特に重要な核種について元の格子点の約10〜50％のみを残します。

完全炉心での検証

このスリム化データが現実的な環境でも信頼できる結果を出すかを確認するために、研究チームは2基の大規模加圧水型炉（ヨーロピアン・プレッシャー・リアクター（EPR）とVVER‑1000）を1年にわたってモンテカルロコードOpenMCでシミュレーションしました。各炉心について、完全な原子核データライブラリを使うケースと機械学習で間引いたデータを使うケースの、その他は同一な二つの試行を行っています。ジオメトリ、運転条件、数値設定は固定し、差は物理を支えるデータ表だけです。OpenMC内部の他の高速化機能は無効にしてあり、速度やメモリの変化がアルゴリズムや設定の差ではなくデータ削減によるものと追跡できるようにしています。

厳しい誤差範囲での速度向上

得られた効果は大きいです。EPRケースでは総経過時間が約18％短縮され、VVER‑1000では実行時間が約43％縮小しました。メモリ使用量の変化はより穏やかで、ピーク使用量はEPRで約4％減少し、VVER‑1000では約5％増加しました。これは各モデルが原子核データ参照に費やす時間とジオメトリを通る粒子追跡に費やす時間の違いを反映しています。重要なのは、炉心レベルの主要指標が元の結果と非常に近いままであることです。VVER‑1000の1年間を通じて、有効増殖係数（本質的には一回の核分裂で平均して何個の中性子が生じるか）は最大でも約100万分の100（100 ppm）以下の逸脱にとどまり、通常は数十ppmの差に過ぎません。ウラン235およびウラン238の核分裂やキセノン135、サマリウム149の中性子捕獲といった主要反応チャネルについても、平均差は0.1％未満に収まります。

燃料進化と中性子毒の挙動も保持

長期的な炉の挙動は瞬時の反応だけでなく、燃料や核分裂生成物の蓄積と消耗に依存するため、著者らは重要同位体の変動在庫も追跡しました。主なウラン同位体、ウラン238から生成されるプルトニウム同位体群、そして中性子を吸収する強い“毒”核種、特にキセノン135とサマリウム149を検討しています。1年後でも、完全データと削減データの在庫差はごくわずかで、キセノンとサマリウムでは数百分の一パーセント程度、プルトニウム種でも概ね0.1％未満です。炉心のエネルギー生成と中性子収支を支配するウラン235およびウラン238は0.01％よりはるかに細かく再現されています。一部のプルトニウム同位体で相対誤差が一時的に1％を超えることがありましたが、それはサイクル序盤で絶対量が非常に小さい時期に起きており、炉挙動への実質的影響は無視できるレベルです。

今後の炉モデリングへの意義

非専門家向けに要約すると、注意深く訓練された機械学習手法は、高度な炉シミュレーション内部の原子核“ルックアップ表”を劇的に小さくし、利用を高速化できる一方で、シミュレートされた炉の挙動を従来法とほとんど識別不能なままに保てる、ということです。本研究は産業規模の二つの炉心を通年で示しており、得られた誤差範囲は炉解析における他の典型的な不確かさと比べて小さいことを示しています。著者らは、結論が現時点では特定のデータライブラリとコード設定を用いる定常状態の加圧水型炉に適用されること、他の炉種や過渡条件の検証が今後必要であることを強調しています。それでも、この結果は高忠実度な原子力シミュレーションをより速く、より効率的に行うための有望な道筋を示しており、限られた計算資源でもより多くの設計検討や安全性解析を可能にする可能性があります。

引用: Hashemi, A., Macián-Juan, R. & Ohlerich, M. Evaluating machine learned nuclear data precision in full core nuclear reactor Monte Carlo neutronics and computational efficiency analyses. Sci Rep 16, 1314 (2026). https://doi.org/10.1038/s41598-026-35227-9

キーワード: 原子炉シミュレーション, 機械学習, モンテカルロ中性子輸送, 原子核データライブラリ, 加圧水型原子炉