原子核裂變數據的精確測量是很多核物理應用的先決條件，比如核能、國防、輻射防護、核廢料處理、產生稀有同位素等。核裂變物理在超重元素合成、反應堆中微子、中子星融合中的r-process等研究中也不可缺少。特別是走向新一代核能-快中子反應堆，急需錒系核區精確的不同能量中子誘發裂變數據。但是目前實驗和理論都無法提供可靠及完整的能量相關裂變數據。

由于涉及中子的實驗難度較大，國際上主要的核數據庫只有幾個能量點的裂變數據。理論上基于微觀模型去描述裂變過程非常復雜，是一個涉及多維位能面的大幅度、非絕熱的量子動力學過程。目前微觀理論對裂變可觀測量的描述還有較大誤差。 此外基于唯象裂變模型對未知核區和未知能區的外推往往不可靠。

北京大學物理學院裴俊琛研究員課題組首次采用貝葉斯神經網絡（Bayesian Neural Network）來評估不完整的裂變產物分布。此前貝葉斯神經網絡對原子核質量外推有一些成功的應用，并可以得出推斷的誤差，但是仍有量子殼效應的疑慮。核裂變過程涉及復雜的位能面，裂變產物分布具有統計特征，比較適合神經網絡。

貝葉斯神經網絡對不完整核裂變產物的評估

目前核裂變產物的實驗測量很難給出完整的產物分布，只能結合模型評估給出完整的裂變產物分布。人們通常基于唯象模型、通過調參數來擬合出產物分布。該工作通過對已有裂變數據庫的學習，當實驗測量給出不完整的裂變數據時能夠推斷出完整的裂變產物分布。結果表明，隨著中子能量增加，裂變模式逐漸從不對稱裂變演化成對稱裂變。這說明神經網絡能成功抓住部分物理圖像。當實驗數點很少時，唯象評估模型失效，神經網絡仍然可以給出有效的評估和合理的置信區間。貝葉斯神經網絡對核裂變產物的評估開辟了一個新的方向，展現了機器學習的一個實際應用范例，將對核數據的定量評估產生重要影響，有望更好地提供應用級的精確核數據。

不同能量的裂變模式演化