颗粒燃料是将核燃料制成颗粒并弥散在基体中的一种新型燃料构型,广泛应用于高温气冷堆、空间堆、氟盐冷却高温堆等先进堆型中. 以高温气冷堆和空间堆为例,基于开源蒙特卡罗程序OpenMC研究了适用于颗粒燃料临界计算的虚拟网格模拟加速方法,并在山河超算平台开展了超10万核心的大规模并行测试. 结果表明,高温气冷堆模型的有效增殖因数计算结果与石岛湾核电站实验数据符合较好,验证了程序及模型的准确性. 在性能方面,虚拟网格方法与OpenMC此前的真实网格方法相比,在存储空间和计算速度上均有明显提升,高温气冷堆虚拟网格模型的内存和耗时分别为真实网格模型的0.2%和82%;此外,由于虚拟网格方法简化了模型几何,其间接实现了更好的负载均衡,使得程序拥有了更高的并行效率. 对于强可扩展性,在10752核规模的测试中,虚拟网格的并行效率为83.4%,而真实网格为63.6%;对于弱可扩展性,虚拟网格模型在131600核并行效率为83.1%,而真实网格为66.1%.

针对远程监督命名实体识别（named entity recognition, NER）任务,目前有许多基于强化学习的方法,利用强化学习的强大决策能力,对远程监督生成的自动标注数据进行噪声过滤. 然而,这些方法所使用的策略网络模型架构都较简单,识别噪声能力较弱,且都以完整的句子样本为单位进行识别,导致句子中的部分正确信息被丢弃. 为解决上述问题,提出了一种新的基于强化学习的方法,称为RLTL-DSNER,该方法可以从远程监督生成的带噪数据中,以单词级别识别正确实例,减少噪声实例对远程监督NER的负面影响. 具体来说,在策略网络模型中引入了标签置信函数来准确识别实例. 此外,提出了一种新颖的NER模型预训练策略,使其能为强化学习的初始训练提供精准的状态表示和有效的奖励值,引导其向正确的方向更新. 在4个数据集上的实验结果验证了RLTL-DSNER方法的优越性,在NEWS数据集上,相较于现有最先进的方法,获得了4.28%的F1提升.