深度学习神经网络预测165Ho(α,xn)反应激发函数：核医学与反应堆技术的跨学科突破

本文创新性地将深度神经网络（DNN）应用于165Ho的α粒子诱导反应（(α,n)-(α,4n)）激发函数预测，通过对比TALYS理论模型、TENDL-2023数据库与实验数据（EXFOR），验证了ReLU/ELU等6种激活函数的DNN模型显著提升核反应截面预测精度，为医用同位素（如167Tm）生产和核数据评估提供了人工智能辅助新范式。

　　

亮点

本研究通过融合传统核反应模型与前沿人工智能技术，首次系统评估了不同激活函数对DNN预测α粒子核反应性能的影响，为核医学同位素生产提供了"理论计算+实验验证+AI优化"的三维解决方案。

结果与讨论

针对¹⁶⁵Ho靶材的(α,xn)反应（x=1-4），深度学习模型展现出惊人的适应性：

• 激活函数竞技场：Mish和SiLU函数在预测(α,2n)反应阈值能量时表现出<5%的相对误差，显著优于传统TALYS模型（15-20%偏差）

• 医学同位素优选：对于治疗性同位素¹⁶⁷Tm的生产通道(α,2n)，DNN预测与实验数据的相关系数达0.98，验证了AI在核医学剂量计算中的可靠性

• 能量依赖解密：在70MeV高能区，LeakyReLU函数成功捕捉到TENDL数据库未反映的截面波动特征，揭示可能存在的预平衡反应机制

结论

这项跨界研究证实：

1. 深度神经网络（DNN）可突破传统核模型在中间能区的精度瓶颈

2. 激活函数选择直接影响医用同位素产额预测，其中Mish函数表现最优

3. 该方法学框架可扩展至其他核素体系，为¹⁷⁷Lu等治疗同位素的规模化生产提供AI驱动的优化方案