In fusion reactors, large numbers of high-energy neutrons are generated, creating a harsh and demanding environment for reactor materials and components. In particular the ITER radiation environment will be characterised by harsh conditions in terms of neutron and gamma fields: consequently it is crucial to test its sensitive components, such as electronics, in dedicated facilities. To address this need, we propose the development of the GENeuSIS (General Experimental Neutron Systems Irradiation Station) project. GENeuSIS is an innovative test facility designed to assess and characterise the behaviour of diagnostics, electronics, and other ITER critical components when exposed to 14 MeV neutron irradiation from the Frascati neutron generator. The GENeuSIS assembly consists of a set of neutron-moderating materials slabs enclosing an inner cavity where the neutron and gamma spectra foreseen in specific ITER locations are reproduced. In this context, a machine learning (ML) model automatises the selection of materials required to achieve the desired neutron and photon spectra. This work focuses on the development of a supervised ML model, specifically a neural network, trained on a database generated from previous neutron transport simulations using the MCNP code. These simulations have already demonstrated the feasibility of GENeuSIS by replicating the neutron spectrum at specific ITER locations, such as the Port Interspace (GENeuSIS-I assembly) and Port Cell (GENeuSIS-II assembly). However, the design of each GENeuSIS assembly using Monte Carlo methods generally demands significant computational resources and depends on extensive ‘trial-and-error’ transport simulations, often resulting in a slow process. The proposed ML model aims to accelerate the optimisation phase of GENeuSIS assemblies by rapidly identifying promising configurations, which are subsequently validated through full Monte Carlo simulations.
核融合炉では、大量の高エネルギー中性子が生成され、炉材料および構成要素にとって過酷で厳しい環境が作り出される。特にITERの放射線環境は、中性子およびガンマ線場に関して過酷な条件を特徴とすることが予想される。そのため、電子機器などの敏感な構成要素を専用施設で試験することが極めて重要である。このニーズに応えるため、我々はGENeuSIS（General Experimental Neutron Systems Irradiation Station）プロジェクトの開発を提案する。GENeuSISは、フラスカティ中性子発生装置からの14 MeV中性子照射に曝されたときの診断装置、電子機器、およびその他のITER重要構成要素の挙動を評価・特性評価するように設計された革新的な試験施設である。GENeuSISアセンブリは、特定のITER位置で予想される中性子およびガンマ線スペクトルが再現される内部空洞を囲む一連の中性子減速材スラブで構成される。この文脈において、機械学習（ML）モデルが、所望の中性子および光子スペクトルを達成するために必要な材料の選択を自動化する。本研究は、MCNPコードを用いた過去の中性子輸送シミュレーションから生成されたデータベースで学習された、教師ありMLモデル、具体的にはニューラルネットワークの開発に焦点を当てている。これらのシミュレーションは、Port Interspace（GENeuSIS-Iアセンブリ）やPort Cell（GENeuSIS-IIアセンブリ）などの特定のITER位置での中性子スペクトルを再現することにより、GENeuSISの実現可能性をすでに実証している。しかしながら、モンテカルロ法を用いた各GENeuSISアセンブリの設計は、一般に多大な計算リソースを必要とし、広範な「試行錯誤」による輸送シミュレーションに依存するため、しばしば遅いプロセスとなる。提案するMLモデルは、有望な構成を迅速に特定することによりGENeuSISアセンブリの最適化段階を加速し、その後完全なモンテカルロシミュレーションによって検証することを目的としている。