# Sequential Bayesian Experimental Design for Calibration of Thorium Fuel Irradiation Simulations: A Methodological Framework for 233U Production Estimation

## Metadata

- **SPORE ID**: SPR-2026-C9E3
- **Domaines**: Statistics x Nuclear Engineering
- **Date de generation**: 2026-08-07
- **Panel consensus score**: 6.2/10
- **Novelty score**: 0.7/1.0
- **Panel verdict**: publish_brief

## Abstract

If the scheduling of nuclear irradiation experiments is optimized using a sequential Bayesian experimental design (SBED) framework with a multi-fidelity Gaussian process (GP) surrogate and explicit model discrepancy correction, then the posterior variance of the 233U production rate estimate will be reduced by at least 20% compared to a static design, because the acquisition function will preferentially select irradiation conditions that maximize information gain about the high-fidelity model parameters, while the discrepancy term will absorb and quantify the systematic bias between the low-fidelity simulator (WIMS-AECL) and the physical reactor.

The proposed mechanism involves 6 causal steps: (1) A low-fidelity simulator (WIMS-AECL) is used to generate an initial training dat -> (2) A multi-fidelity Gaussian process (GP) surrogate model is trained on this data.  -> (3) An acquisition function (e.g., Expected Information Gain or a variant of Expecte -> (4) The acquisition function is optimized to select the next irradiation condition (.

Literature grounding on 13 verified references yields a novelty score of 0.7 (novel). A 3-phase experimental protocol (budget: €20k-80k, timeline: 8-14 months) is proposed, starting with in silico validation. A panel of 5 expert reviewers reached a consensus score of 6.2/10.

## 1. Hypothese et mecanisme propose

### 1.1 Formulation formelle

If the scheduling of nuclear irradiation experiments is optimized using a sequential Bayesian experimental design (SBED) framework with a multi-fidelity Gaussian process (GP) surrogate and explicit model discrepancy correction, then the posterior variance of the 233U production rate estimate will be reduced by at least 20% compared to a static design, because the acquisition function will preferentially select irradiation conditions that maximize information gain about the high-fidelity model parameters, while the discrepancy term will absorb and quantify the systematic bias between the low-fidelity simulator (WIMS-AECL) and the physical reactor.

### 1.2 Variables

**Variables independantes :**

| Variable | Type | Plage | Unite |
|----------|------|-------|-------|
| Irradiation time | continuous | 0-720 | hours |
| Neutron flux | continuous | 1e13 - 1e14 | n/cm²/s |
| Fuel composition (Thoria-Urania ratio) | continuous | 0.95-0.99 (Thoria fraction) | weight fraction |
| Measurement schedule (number of intermediate burnup steps) | categorical | 3, 4, or 5 steps | count |

**Variables dependantes :**

| Variable | Type | Direction attendue | Unite |
|----------|------|-------------------|-------|
| Posterior variance of 233U production rate estimate | continuous | decrease | (atoms/cm³/s)² |
| Total experimental cost | continuous | decrease | EUR (or USD) |

### 1.3 Chaine causale

1. Step 1: A low-fidelity simulator (WIMS-AECL) is used to generate an initial training dataset of 20 simulation runs across the input space (irradiation time, flux, composition). The output is the predicted isotopic composition vector, including 233U concentration.
1. Step 2: A multi-fidelity Gaussian process (GP) surrogate model is trained on this data. The GP is augmented with a model discrepancy term, δ(x), following the Kennedy-O'Hagan framework, which is a second GP that captures the systematic bias between the simulator and the true physical process.
1. Step 3: An acquisition function (e.g., Expected Information Gain or a variant of Expected Improvement) is defined. This function quantifies the expected reduction in posterior variance of the 233U production rate parameter, given a candidate irradiation condition and measurement time. The acquisition function incorporates both the GP predictive variance and the variance of the discrepancy term.
1. Step 4: The acquisition function is optimized to select the next irradiation condition (e.g., a specific flux and time point) that maximizes the expected information gain. This condition is then tested in a single, targeted irradiation experiment.
1. Step 5: The experimental measurement of 233U concentration (via mass spectrometry) is used to update the GP surrogate and the discrepancy term via Bayesian inference. The posterior distribution of the 233U production rate is refined.
1. Step 6: Steps 3-5 are repeated sequentially for a total of 3-4 experimental conditions, with the acquisition function guiding the selection of each new condition based on the accumulated knowledge, thereby minimizing the number of expensive experiments needed to achieve a target precision.

**Hypotheses cles :**

- The low-fidelity simulator (WIMS-AECL) is a smooth and continuous function of the input parameters, allowing for accurate GP emulation.
- The model discrepancy term δ(x) is a stationary Gaussian process, meaning its correlation structure is translation-invariant.
- The measurement error of 233U concentration via mass spectrometry is Gaussian with a known, constant variance.
- The true physical process is a deterministic function of the input parameters (irradiation time, flux, composition), with all variability arising from measurement error and model discrepancy.
- The cost of each irradiation experiment is dominated by reactor time and post-irradiation analysis, and is independent of the specific input conditions.

**Inconnues identifiees :**

- The exact functional form and magnitude of the model discrepancy between WIMS-AECL and the physical reactor are unknown and must be estimated from the data.
- The optimal number of sequential steps (3 vs. 4 vs. 5) to balance information gain against cumulative cost is unknown and will be a subject of the study.
- The sensitivity of the optimal design to the specification of the cost function (e.g., linear vs. non-linear) is unknown.

### 1.4 Conditions aux limites

- **Neutron flux must remain below 1e14 n/cm²/s.** — Above this threshold, the assumption of linearity in the burnup reaction rate breaks down, and the GP surrogate's smoothness assumption may be violated due to non-linear feedback effects (e.g., temperature reactivity coefficients).
- **The fuel composition must remain in the thoria-rich range (Thoria fraction > 0.90).** — The WIMS-AECL simulator has been validated for this composition range. Outside this range, the model discrepancy term may become non-stationary, violating the GP assumption.
- **The total irradiation time must be less than 720 hours.** — Beyond this time, the accumulation of fission products and changes in fuel microstructure (e.g., swelling) introduce additional sources of uncertainty not captured by the proposed discrepancy model.

### 1.5 Cadre theorique

Bayesian Optimal Experimental Design (BOED) and Kennedy-O'Hagan (KOH) model calibration framework, applied within the context of nuclear engineering simulation and experiment.

## 2. Etat de l'art et positionnement

### 2.1 Travaux les plus proches

- **[2023] Sequential Bayesian Experimental Design for Calibration of Expensive Simulation Models** — [10.1080/00401706.2023.2246157](https://doi.org/10.1080/00401706.2023.2246157)
  - Similarite: high
  - Difference cle: This paper applies sequential Bayesian experimental design to calibrate expensive simulation models in general, but does not specifically address nuclear irradiation experiments or thorium-based fuel cycles. The hypothesis extends this methodology to a specific nuclear engineering application.
- **[2017] Surrogate based model calibration for pressurized water reactor physics calculations** — [10.1016/J.NET.2017.08.007](https://doi.org/10.1016/J.NET.2017.08.007)
  - Similarite: high
  - Difference cle: This paper uses surrogate models for calibration in nuclear engineering but does not employ Bayesian experimental design for adaptive scheduling of experiments. The hypothesis proposes a more formal statistical framework for experiment planning.
- **[2023] Applications of emulation and Bayesian methods in heavy-ion physics** — [10.1088/1361-6471/ad6a2b](https://doi.org/10.1088/1361-6471/ad6a2b)
  - Similarite: medium
  - Difference cle: This paper demonstrates Bayesian emulation in nuclear physics but focuses on heavy-ion collisions rather than irradiation experiments for fuel production. The hypothesis targets a different nuclear engineering domain.

### 2.2 Base de preuves

- **[2023] Sequential Bayesian Experimental Design for Calibration of Expensive Simulation Models** — [10.1080/00401706.2023.2246157](https://doi.org/10.1080/00401706.2023.2246157)
  - Type: direct | Citations: 20
  - Directly supports the core mechanism of using sequential Bayesian experimental design to calibrate expensive simulation models, which is the proposed approach for optimizing irradiation experiments.
- **[2024] Optimal experimental design: Formulations and computations** — [10.1017/S0962492924000023](https://doi.org/10.1017/S0962492924000023)
  - Type: direct | Citations: 119
  - Provides the theoretical foundation for optimal experimental design, which is the statistical framework proposed in the hypothesis for determining optimal irradiation conditions and measurement times.
- **[2021] Deep Adaptive Design: Amortizing Sequential Bayesian Experimental Design**
  - Type: indirect | Citations: 137
  - Supports the feasibility of real-time adaptive experimental design, which is relevant for making sequential decisions during irradiation campaigns where computational time may be limited.
- **[2017] Surrogate based model calibration for pressurized water reactor physics calculations** — [10.1016/J.NET.2017.08.007](https://doi.org/10.1016/J.NET.2017.08.007)
  - Type: direct | Citations: 18
  - Demonstrates the use of surrogate models for calibration in nuclear engineering, validating the feasibility of the emulation approach proposed in the hypothesis for reactor physics models.
- **[2024] Single and multi-objective real-time optimisation of an industrial injection moulding process via a Bayesian adaptive design of experiment approach** — [10.1038/s41598-024-80405-2](https://doi.org/10.1038/s41598-024-80405-2)
  - Type: analogous | Citations: 22
  - Provides an analogous application of Bayesian adaptive design of experiments in an industrial engineering context, demonstrating the practical utility of the proposed methodology in a different domain.
- **[2025] Bayesian Optimization in Bioprocess Engineering—Where Do We Stand Today?** — [10.1002/bit.28960](https://doi.org/10.1002/bit.28960)
  - Type: analogous | Citations: 36
  - Shows the successful application of Bayesian optimization in another engineering field (bioprocess), supporting the transferability of the proposed methodology to nuclear engineering.
- **[2016] Adaptive Design of Experiments for Conservative Estimation of Excursion Sets** — [10.1080/00401706.2019.1693427](https://doi.org/10.1080/00401706.2019.1693427)
  - Type: indirect | Citations: 50
  - Supports the use of Gaussian process emulation and adaptive design for expensive-to-evaluate functions, which is the statistical machinery proposed for the reactor physics simulator.
- **[2019] A Strategy for Adaptive Sampling of Multi-fidelity Gaussian Process to Reduce Predictive Uncertainty** — [10.1115/detc2019-98418](https://doi.org/10.1115/detc2019-98418)
  - Type: indirect | Citations: 19
  - Supports the use of multi-fidelity Gaussian processes for surrogate modeling, which could be relevant for combining low-fidelity simulations with high-fidelity experiments in irradiation campaigns.
- **[2024] Deep Gaussian process for enhanced Bayesian optimization and its application in additive manufacturing** — [10.1080/24725854.2024.2312905](https://doi.org/10.1080/24725854.2024.2312905)
  - Type: analogous | Citations: 14
  - Demonstrates the application of Bayesian optimization with Gaussian processes in another manufacturing domain, supporting the generalizability of the approach to nuclear experiment planning.

### 2.3 Contre-preuves et limitations connues

- **[minor] Nitrate isotopic composition of sequential Hurricane Harvey wet deposition: Low latitude NOx sources and oxidation chemistry**
  - This paper is entirely unrelated to nuclear engineering or experimental design, indicating a potential mismatch in the literature search results.
- **[minor] Deep-learning-based surrogate model for fast and accurate simulation in pipeline transport**
  - While supporting surrogate modeling in engineering, this paper focuses on pipeline transport, not nuclear irradiation, and does not address experimental design or Bayesian methods.
- **[minor] Information Gain-based Policy Optimization: A Simple and Effective Approach for Multi-Turn Search Agents**
  - This paper applies information gain in a machine learning context (search agents) and is not directly relevant to nuclear engineering or experimental design.

### 2.4 Evaluation de nouveaute

- **Score**: 0.7/1.0
- **Verdict**: novel

## 3. Predictions falsifiables

| # | Prediction | Borne quantitative | Methode | H0 | Test statistique |
|---|-----------|-------------------|---------|-----|-----------------|
| 1 | The SBED framework will reduce the posterior variance of the 233U production rate by at least 20% compared to a static design (e.g., a space-filling Latin Hypercube design) after 4 experimental runs. | The ratio of posterior standard deviations (Static/SBED) will be ≥ 1.25, corresponding to a ≥20% reduction in variance. | Posterior variance is computed from the GP surrogate after 4 sequential experiments (SBED) and after 4 static experiments (LHS). The 233U concentration is measured via High-Resolution Inductively Coupled Plasma Mass Spectrometry (HR-ICP-MS) with a measurement uncertainty of ±0.5%. | H0: The posterior variance of the 233U production rate after SBED is ≥ 80% of the posterior variance after a static design (i.e., no significant improvement). | A one-sided F-test for equality of variances (ratio of variances), with α = 0.05 and power = 0.80. The sample size is determined by the number of posterior samples (n=1000) drawn from the GP, ensuring the test is well-powered. |
| 2 | The estimated model discrepancy term δ(x) will be non-zero and statistically significant at the 95% confidence level for at least one input condition. | The 95% credible interval of δ(x) will exclude zero for at least one point in the input space. | The discrepancy term is estimated from the difference between the GP surrogate predictions and the experimental measurements of 233U concentration at the selected irradiation conditions. | H0: The model discrepancy term δ(x) = 0 for all input conditions (i.e., the simulator is unbiased). | A Bayesian hypothesis test based on the posterior distribution of δ(x). The null is rejected if the 95% highest posterior density (HPD) interval of δ(x) excludes zero for any input condition. |
| 3 | The SBED framework will require fewer experimental runs (N) to achieve a target posterior variance (e.g., 10% of the prior variance) compared to a static design. | The ratio of required runs (N_static / N_SBED) will be ≥ 1.5. | Simulation study: The SBED and static design are simulated 100 times each using the multi-fidelity GP with a known discrepancy function. The number of runs needed to reach the target variance is recorded for each simulation. | H0: The ratio of required runs (N_static / N_SBED) ≤ 1.5. | A one-sample t-test on the log-transformed ratio of runs, with α = 0.05 and power = 0.80. The sample size (100 simulations) is justified by a priori power analysis assuming a standard deviation of 0.3 on the log-ratio. |

## 4. Protocole experimental

**Timeline globale**: 8-14 months
**Budget global**: €20k-80k

### 4.1 Phase 1 — In Silico Validation

**Objectif**: To validate the core SBED mechanism in a controlled simulation environment, confirming that the acquisition function reduces posterior variance by at least 20% compared to a static design, before any physical experiments are conducted.

**Methodologie**: 1. **Setup**: Use the WIMS-AECL simulator (or a high-fidelity stand-in like OpenMC if WIMS-AECL is not readily available) to generate a synthetic 'ground truth' dataset. Define a known, non-zero model discrepancy function δ(x) (e.g., a sinusoidal perturbation) to simulate the bias between the simulator and a hypothetical 'real' reactor. 2. **Initial Training**: Generate an initial training set of 20 simulation runs using a Latin Hypercube Design (LHS) across the input space (irradiation time, flux, composition). 3. **Surrogate Training**: Train a multi-fidelity GP surrogate with a KOH framework (using `GPyTorch` or `Emukit`) on this data. The surrogate will have two components: a low-fidelity GP for the simulator output and a discrepancy GP, δ(x). 4. **SBED Loop**: Implement an acquisition function (e.g., Expected Information Gain (EIG) or a variant of Expected Improvement for variance reduction). Run 4 sequential iterations: (a) optimize the acquisition function to select the next input condition, (b) query the 'ground truth' (simulator + known discrepancy) to get a synthetic experimental measurement with added Gaussian noise (σ = 0.5%), (c) update the GP surrogate and discrepancy term via Bayesian inference. 5. **Static Design Comparison**: In parallel, run a static design of 4 experiments using a space-filling LHS. 6. **Analysis**: Compute the posterior variance of the 233U production rate from both the SBED and static design GP surrogates. Perform a one-sided F-test on the ratio of variances (n=1000 posterior samples). 7. **Sensitivity Analysis**: Vary the number of sequential steps (3, 4, 5) and the cost function to assess the robustness of the predicted improvement.

- Cout: €500-2000
- Duree: 4-6 weeks
- Equipement: High-performance workstation (CPU: 16+ cores, RAM: 64GB+)
- Logiciels: Python 3.9+, GPyTorch, Emukit, NumPy/SciPy, Matplotlib, WIMS-AECL (or OpenMC as a substitute), Jupyter Notebook

**Criteres de succes :**

- Posterior variance ratio (Static/SBED) after 4 runs: ≥ 1.25 (corresponding to ≥20% variance reduction)
- Statistical significance of discrepancy term: 95% credible interval of δ(x) excludes zero for at least one input condition
- Simulated run ratio (N_static / N_SBED) to achieve target variance: ≥ 1.5

- **GO**: All three success criteria are met in the simulation environment.
- **NO-GO**: The SBED framework fails to show a ≥20% variance reduction (F-test p-value > 0.05) or the discrepancy term is not identifiable.
- **PIVOT**: If the discrepancy term is non-stationary, pivot to a non-stationary GP model (e.g., using a spatially varying lengthscale) or a deep GP. If the acquisition function is too computationally expensive, pivot to a cheaper approximation (e.g., Bayesian Optimisation via Monte Carlo).

### 4.2 Phase 2 — Minimal Experimental Validation

**Objectif**: To validate the SBED framework's mechanism in a physical setting using a small number of irradiation experiments, confirming that the discrepancy term is non-zero and that the acquisition function selects informative conditions.

**Methodologie**: 1. **Facility Selection**: Secure access to a small-scale irradiation facility (e.g., a research reactor with a neutron beam port or a charged particle accelerator). 2. **Sample Preparation**: Fabricate 4 miniature thoria-urania fuel samples (e.g., 1-2g each) with a Thoria fraction of 0.95. 3. **SBED Loop (Physical)**: (a) Use the GP surrogate from Phase 1 as the prior. (b) Optimize the acquisition function to select the first irradiation condition (flux, time). (c) Irradiate the first sample at the selected condition. (d) Perform Post-Irradiation Examination (PIE): dissolve the sample and measure 233U concentration via High-Resolution Inductively Coupled Plasma Mass Spectrometry (HR-ICP-MS). (e) Update the GP surrogate and discrepancy term with the new measurement. (f) Repeat steps (b)-(e) for 3 more samples. 4. **Static Design (Physical)**: In parallel, irradiate 4 identical samples using a static LHS design and measure their 233U concentration. 5. **Analysis**: Compare the posterior variance of the 233U production rate between the SBED and static design. Examine the posterior distribution of the discrepancy term. 6. **Safety and Compliance**: Ensure all irradiations and sample handling comply with local nuclear safety regulations.

- Cout: €10k-30k
- Duree: 2-3 months
- Equipement: Small-scale research reactor or accelerator, Miniature fuel sample fabrication rig, HR-ICP-MS system, Radiochemical laboratory (for sample dissolution and separation), Neutron flux monitoring foils
- Logiciels: GPyTorch/Emukit (updated from Phase 1), Data analysis scripts (Python)

**Criteres de succes :**

- Posterior variance ratio (Static/SBED) after 4 physical runs: ≥ 1.15 (a relaxed threshold of 15% variance reduction, acknowledging physical noise)
- Discrepancy term significance: 95% credible interval of δ(x) excludes zero for at least one measured condition
- Acquisition function informativeness: SBED-selected conditions must be measurably different from static design conditions (e.g., >20% difference in at least one input variable)

- **GO**: The SBED framework shows a ≥15% variance reduction and the discrepancy term is non-zero at a 90% confidence level.
- **NO-GO**: The SBED framework shows no improvement over the static design, or the discrepancy term is consistently zero, indicating the simulator is accurate and the framework is unnecessary.
- **PIVOT**: If the discrepancy term is large and highly non-stationary, pivot to a more complex discrepancy model (e.g., input-dependent noise) or a different surrogate (e.g., deep GP). If the measurement error is much larger than expected, pivot to a more sensitive measurement technique.

### 4.3 Phase 3 — Full Experimental Protocol

**Objectif**: To rigorously validate the SBED framework for thorium fuel irradiation, producing statistically robust, publishable evidence of its superiority over static designs in terms of both estimation accuracy and experimental cost.

**Methodologie**: 1. **Full-Scale Sample Set**: Fabricate a statistically significant number of fuel samples (e.g., 20-30) with a range of Thoria fractions (0.95-0.99). 2. **Randomization and Replication**: Divide samples into two groups: SBED-guided and static design. The static design will use a space-filling LHS with the same number of runs as the SBED group. 3. **SBED Loop (Full)**: Implement the full sequential loop (as in Phase 2) for 5-8 iterations, using the updated GP from Phase 2 as the prior. The acquisition function will now also optimize over the fuel composition variable. 4. **Static Design (Full)**: Run the static design experiments at the same time, using the same PIE protocol. 5. **Blind Analysis**: Have a researcher not involved in the experimental design perform the final data analysis to avoid bias. 6. **Comprehensive Comparison**: (a) Compare posterior variances and credible intervals for the 233U production rate. (b) Perform a formal hypothesis test (F-test) on the variance ratio. (c) Calculate the total experimental cost (reactor time, PIE, materials) for both designs. (d) Perform a simulation-based power analysis to confirm the sample size was adequate. 7. **Publication**: Prepare a manuscript for submission to a peer-reviewed journal (e.g., Nuclear Science and Engineering, Annals of Nuclear Energy).

- Cout: €50k-150k+
- Duree: 6-12 months
- Equipement: Full-scale irradiation facility (e.g., a materials test reactor), Standard fuel sample fabrication line, HR-ICP-MS with autosampler, Radiochemical laboratory with hot cells, Data management and analysis servers
- Logiciels: GPyTorch/Emukit, Statistical analysis software (R or Python), Laboratory Information Management System (LIMS)

**Criteres de succes :**

- Posterior variance ratio (Static/SBED) after N runs: ≥ 1.25 (the original hypothesis), with F-test p-value < 0.05
- Cost efficiency ratio (Cost_static / Cost_SBED) to achieve target precision: ≥ 1.5
- Discrepancy term magnitude and significance: 95% credible interval of δ(x) excludes zero for a continuous region of the input space

- **GO**: All primary success criteria are met with statistical significance, and the results are reproducible.
- **NO-GO**: The SBED framework fails to outperform the static design in a full-scale setting, or the cost savings are not realized.
- **PIVOT**: If the discrepancy term is found to be negligible, pivot to a simpler experimental design (e.g., standard DOE) and publish the negative result as a validation of the WIMS-AECL simulator. If the cost is prohibitive, pivot to a virtual twins approach using more simulations and fewer physical experiments.

### 4.4 Quick start : comment demarrer aujourd'hui

- **Peut demarrer maintenant**: Oui
- **Premiere action**: Set up a Python environment (e.g., conda) and install the core libraries: `pip install gpytorch emukit numpy scipy matplotlib`. Simultaneously, request access to WIMS-AECL or begin downloading and testing OpenMC.
- **Outils**: Python 3.9+, GPyTorch, Emukit, Jupyter Notebook, OpenMC (if WIMS-AECL unavailable)
- **Donnees ouvertes**: OpenMC cross-section data (ENDF/B-VIII.0), IAEA Nuclear Data Services (https://www-nds.iaea.org/), NEA Data Bank (https://www.oecd-nea.org/databank/), Previous thorium irradiation experiment data from literature (e.g., from the IAEA TECDOC series)

## 5. Analyse d'impact

### 5.1 Impact scientifique

Novelty score: 0.7/1.0 (novel)

### 5.2 Applications industrielles et marche

**Score industriel**: 6.5/10

**Forces :**
- Le marché est identifiable et captif : les programmes nucléaires civils (Canada via AECL, Inde, Chine, Japon) et les startups SMR (ex. Terrestrial Energy, Kairos Power) qui cherchent à qualifier des combustibles au thorium pour la production de 233U ou la réduction de déchets. Le budget typique d'un cycle d'irradiation en réacteur de recherche (ex. NRU, Halden) est de 1 à 5 M€, donc un outil qui réduit de 30-50% le nombre de cycles est un argument de vente direct.
- L'avantage concurrentiel est la réduction du temps de qualification : passer de 5 à 3 cycles d'irradiation (prédiction de votre protocole) permet de gagner 18-24 mois sur un calendrier critique de licence, ce qui se traduit par une entrée sur le marché de l'énergie plus rapide. C'est un argument de vente pour les régulateurs (ASN, CNSC) qui exigent des marges d'incertitude quantifiées sur la production d'isotopes.
- La propriété intellectuelle est défendable : le couplage spécifique entre l'acquisition function SBED et la correction de biais KOH pour un simulateur neutronique donné (WIMS-AECL) est un algorithme non trivial. Un brevet de méthode logicielle (même si difficile en Europe, possible aux US) ou un copyright sur le framework pourrait bloquer des concurrents comme Radix ou des départements de R&D universitaires.

**Faiblesses :**
- Barrière d'entrée majeure : l'accès aux installations d'irradiation est limité et contrôlé par des acteurs étatiques (CEA, INL, JAEA). Un éditeur de logiciel privé ne peut pas 'scaler' un service SaaS sans un partenariat formel avec un opérateur de réacteur, ce qui rend la commercialisation dépendante de la politique énergétique, pas de la performance du code.
- Le marché est très fragmenté et petit : le nombre de laboratoires qui font de la simulation d'irradiation de thorium est estimé à moins de 50 dans le monde. Le chiffre d'affaires potentiel (licences + services de consulting) plafonne à 2-5 M€/an, ce qui est insuffisant pour justifier une ligne de produit dédiée chez un grand éditeur (ANSYS, COMSOL) mais viable pour une PME spécialisée.
- Risque de substitution : les méthodes de 'design of experiments' classiques (espace remplissant) sont déjà intégrées dans les outils standards (ex. Dakota, UQpy). Si un client n'a pas un besoin urgent de réduction de variance (car il a déjà des marges de sécurité élevées), il n'achètera pas une solution SBED complexe, surtout si le coût d'intégration avec leur simulateur propriétaire est élevé.

**Recommandation**: Ne pas lancer un produit standalone. Cibler 3 à 5 instituts de recherche (ex. Chalk River, BARC, NRG) et proposer un pilote de 6 mois où le framework est appliqué à un cas d'irradiation existant. Le but est de vendre un 'service de calibration augmentée' à 100-150k€ par projet, pas un logiciel. En parallèle, déposer un brevet sur la méthode de sélection séquentielle avec correction de biais pour les simulateurs neutroniques, puis licencier ce brevet à des intégrateurs de simulation (ex. Framatome) qui veulent l'inclure dans leur offre de services. La timeline de commercialisation est de 24-36 mois, conditionnée à la réussite de la Phase 2 (validation physique). Le ROI est modéré (3-5x sur 5 ans) mais le risque de non-adoption est élevé si les régulateurs ne changent pas leurs critères d'acceptation.

### 5.3 Opportunites de financement

| Programme | Agence | Fit | Budget type | Taux succes |
|-----------|--------|-----|-------------|-------------|
| ANR Jeunes Chercheuses et Jeunes Chercheurs (JCJC) 2026 | Agence Nationale de la Recherche (ANR) | 0.85 | €150k - €250k | 15-18% (taux de succes moyen JCJC 2024) |
| Euratom Research and Training Programme 2025-2026 - Call NRT-01 (Nuclear Research and Training) | European Commission (DG RTD, Euratom) | 0.65 | €300k - €500k (par partenaire) | 20-25% (taux de succes moyen Euratom NRT) |
| ERC Starting Grant 2026 (StG) | European Research Council (ERC) | 0.55 | €1.5M (sur 5 ans) | 12-15% (taux de succes StG 2024) |

- **ANR Jeunes Chercheuses et Jeunes Chercheurs (JCJC) 2026** (Agence Nationale de la Recherche (ANR)): Ce programme est concu pour des chercheurs en debut de carriere proposant des projets exploratoires a haut risque. L'hypothese SBED pour la calibration nucleaire est exactement le type de recherche methodologique originale que le JCJC vise, avec un budget flexible (jusqu'a €250k) permettant de couvrir les phases 1 et 2 du protocole. Le dossier doit mettre en avant la nouveaute methodologique et l'independance du chercheur.
- **Euratom Research and Training Programme 2025-2026 - Call NRT-01 (Nuclear Research and Training)** (European Commission (DG RTD, Euratom)): L'appel NRT-01 couvre la gestion des connaissances nucleaires et le developpement de competences, incluant les methodes de simulation avancees. La proposition doit etre rehaussee avec un consortium europeen (ex: un operateur de reacteur de recherche comme SCK-CEN en Belgique, un laboratoire de statistique comme INRIA, et un partenaire academique nucleaire) et un budget ajuste a €400k-500k. Le focus doit passer de la validation experimentale a la creation d'une boite a outils methodologique open-source pour la communaute nucleaire europeenne.
- **ERC Starting Grant 2026 (StG)** (European Research Council (ERC)): Bien que le budget soit surdimensionne par rapport au protocole propose, l'ERC StG pourrait financer une version etendue de l'hypothese, incluant le developpement d'une theorie complete de l'apprentissage actif pour les systemes multi-physiques et l'application a d'autres materiaux nucleaires (combustibles accidentes, actinides mineurs). Le dossier devrait etre reoriente vers une ambition fondamentale (nouveaux cadres mathematiques pour l'incertitude en simulation nucleaire) plutot que vers l'application specifique au thorium. Le PI doit demontrer un track record en statistique bayesienne computationnelle.

**Recommandation financement**: Positionnez cette hypothese comme un projet exploratoire de preuve de concept (TRL 1-2) a soumettre a l'ANR Jeunes Chercheuses et Jeunes Chercheurs (JCJC) ou a un appel exploratoire Euratom, en mettant l'accent sur le developpement methodologique plutot que sur la validation experimentale complete. Pour Horizon Europe, envisagez une reorientation vers un appel IA4EUROPE ou NRT (Nuclear Research and Training) en formant un consortium avec un operateur de reacteur de recherche et un laboratoire de statistique, avec un budget rehausse a €300k-500k et un TRL cible de 3-4.

## 6. Panel Review Summary

| Reviewer | Score | Verdict | Point cle |
|----------|-------|---------|-----------|
| methodologist | 6.8/10 | weak_accept | La structure de validation en trois phases (in silico, physique minimale, physique complète) est méthodologiquement solide et réduit les risques du programme de recherche en validant le mécanisme central en simulation avant d'engager des ressources importantes dans des expériences physiques. Il s'agit d'un exemple typique de réduction progressive des risques scientifiques. |
| domain_expert | 7.8/10 | accept | L'hypothèse démontre une intégration rigoureuse et cohérente du cadre de Kennedy-O'Hagan (KOH) avec la conception expérimentale bayésienne séquentielle (SBED), en identifiant correctement le double rôle du terme d'écart à la fois dans l'absorption du biais systématique et dans la quantification de l'incertitude irréductible liée à la forme du modèle. Il s'agit d'une approche théoriquement solide qui va au-delà d'une simple optimisation fondée sur un modèle de substitution. |
| contrarian | 3.5/10 | weak_reject | [Force reelle] L'utilisation explicite du cadre Kennedy-O'Hagan pour separer la discrepance de modele de l'erreur de mesure est methodologiquement saine et constitue une amelioration par rapport aux approches naives qui supposent un simulateur parfait. |
| industrialist | 6.5/10 | weak_accept | Le marché est identifiable et captif : les programmes nucléaires civils (Canada via AECL, Inde, Chine, Japon) et les startups SMR (ex. Terrestrial Energy, Kairos Power) qui cherchent à qualifier des combustibles au thorium pour la production de 233U ou la réduction de déchets. Le budget typique d'un cycle d'irradiation en réacteur de recherche (ex. NRU, Halden) est de 1 à 5 M€, donc un outil qui réduit de 30-50% le nombre de cycles est un argument de vente direct. |
| funding_strategist | 6.5/10 | weak_accept | Originalite methodologique : l'application de SBED avec correction de discrepance explicite a la calibration de simulations d'irradiation thorium est un positionnement novateur qui combine statistique bayesienne et genie nucleaire, un creneau peu explore dans les appels generiques. |

**Consensus score**: 6.2/10
**Verdict final**: publish_brief

### 6.1 Consensus

- Le cadre Kennedy-O'Hagan (KOH) avec terme de discrepancy explicite est unanimement reconnu comme une approche methodologiquement solide et appropriee pour traiter le biais systematique entre le simulateur basse-fidelite (WIMS-AECL) et la realite physique.
- La structure de validation en trois phases (in silico, physique minimale, physique complete) avec criteres GO/NO-GO quantitatifs est consideree comme un exemple de de-risking progressif et de rigueur scientifique, bien que la puissance statistique des phases precoces (n=4) soit questionnee.
- La prediction 3 (comparaison du nombre d'essais requis pour atteindre une variance cible) est identifiee comme une metrique d'evaluation plus robuste et plus significative physiquement que la simple reduction de variance a nombre fixe d'essais, car elle reflete le cout reel des experiences.

### 6.2 Points de desaccord

- Le seuil quantitatif de 20% de reduction de variance est juge arbitraire et non justifie theoriquement par le domain_expert, tandis que le methodologist le considere comme un critere de decision clair mais statistiquement fragile avec n=4.
- Le contrarian affirme que la reduction de variance mesuree sera un artefact de la methode (reduction de la variance du surrogate GP, pas de l'incertitude reelle sur le taux de production), alors que le domain_expert et le methodologist estiment que le cadre KOH avec discrepancy permet de capturer correctement cette incertitude.
- Le contrarian insiste sur l'absence de prise en compte des incertitudes nucleaires fondamentales (sections efficaces correlees et non-gaussiennes) et de la non-stationnarite du biais, tandis que le domain_expert recommande de traiter ces points comme des ameliorations necessaires mais non bloquantes.
- Le funding_strategist juge le TRL (1-2) trop faible pour les appels collaboratifs europeens, alors que le domain_expert et le methodologist considerent que la validation in silico est une etape preliminaire suffisante pour un projet de recherche methodologique.

### 6.3 Critical path

Le facteur le plus determinant est la capacite du framework a demontrer, sur des donnees simulees ou historiques, que la separation entre le biais du simulateur (discrepancy) et l'erreur de mesure est identifiable avec un nombre realiste de points experimentaux (N=3-4), et que la reduction de variance mesuree reflete une amelioration reelle de l'estimation du taux de production de 233U, et non un artefact de la methode. La reussite de cette demonstration conditionne la validite de l'hypothese et l'adoption par les partenaires industriels et les regulateurs.

**Recommandation finale**: Le panel recommande la publication du brief avec un niveau de confiance modere. Le cadre methodologique (SBED + KOH) est theoriquement solide et novateur, et la structure de validation en trois phases est un atout majeur. Cependant, les critiques du contrarian sur l'identifiabilite de la discrepancy avec un petit nombre de points et l'absence de prise en compte des incertitudes nucleaires fondamentales doivent etre adressees dans la phase 1 (in silico) du protocole. Le brief doit etre publie avec la mention explicite que la validation in silico devra inclure une analyse de sensibilite au prior sur les hyperparametres de δ(x) et une demonstration de la separation biais/erreur sur des donnees simulees. La recommandation du funding_strategist de cibler un financement exploratoire (ANR JCJC) est validee comme voie de financement principale.

## 7. Gap Manifest residuel

### 7.1 Data gaps

- No specific public dataset of nuclear irradiation experiments with sufficient metadata for applying Bayesian optimal design was identified in the provided papers.
- The literature does not provide specific runtime data for full-core or pin-cell reactor physics simulations, which is needed to estimate the computational cost of the proposed approach.
- No paper in the list directly addresses the application of Bayesian experimental design to thorium-based fuel irradiation experiments, leaving a specific application gap.

### 7.2 Competence gaps

- Phase 1: Bayesian statistics and GP modeling
- Phase 1: Python programming
- Phase 1: Nuclear reactor physics fundamentals
- Phase 1: Experimental design
- Phase 2: Nuclear reactor operations
- Phase 2: Radiochemistry and sample preparation
- Phase 2: Mass spectrometry
- Phase 2: Health physics and radiation safety
- Phase 3: Nuclear engineering project management
- Phase 3: Advanced radiochemistry
- Phase 3: Statistical consulting
- Phase 3: Technical writing

### 7.3 Epistemic gaps

- The exact functional form and magnitude of the model discrepancy between WIMS-AECL and the physical reactor are unknown and must be estimated from the data.
- The optimal number of sequential steps (3 vs. 4 vs. 5) to balance information gain against cumulative cost is unknown and will be a subject of the study.
- The sensitivity of the optimal design to the specification of the cost function (e.g., linear vs. non-linear) is unknown.

## References

[1] O. Surer, M. Plumlee, et al. (2023). *Sequential Bayesian Experimental Design for Calibration of Expensive Simulation Models*. DOI: [10.1080/00401706.2023.2246157](https://doi.org/10.1080/00401706.2023.2246157)
[2] Xun Huan, Jayanth Jagalur, et al. (2024). *Optimal experimental design: Formulations and computations*. DOI: [10.1017/S0962492924000023](https://doi.org/10.1017/S0962492924000023)
[3] Adam Foster, Desi R. Ivanova, et al. (2021). *Deep Adaptive Design: Amortizing Sequential Bayesian Experimental Design*.
[4] B. Khuwaileh, P. Turinsky (2017). *Surrogate based model calibration for pressurized water reactor physics calculations*. DOI: [10.1016/J.NET.2017.08.007](https://doi.org/10.1016/J.NET.2017.08.007)
[5] Mandana Kariminejad, D.P. Tormey, et al. (2024). *Single and multi-objective real-time optimisation of an industrial injection moulding process via a Bayesian adaptive design of experiment approach*. DOI: [10.1038/s41598-024-80405-2](https://doi.org/10.1038/s41598-024-80405-2)
[6] Florian Gisperg, Robert Klausser, et al. (2025). *Bayesian Optimization in Bioprocess Engineering—Where Do We Stand Today?*. DOI: [10.1002/bit.28960](https://doi.org/10.1002/bit.28960)
[7] Dario Azzimonti, D. Ginsbourger, et al. (2016). *Adaptive Design of Experiments for Conservative Estimation of Excursion Sets*. DOI: [10.1080/00401706.2019.1693427](https://doi.org/10.1080/00401706.2019.1693427)
[8] Sayan Ghosh, Jesper Kristensen, et al. (2019). *A Strategy for Adaptive Sampling of Multi-fidelity Gaussian Process to Reduce Predictive Uncertainty*. DOI: [10.1115/detc2019-98418](https://doi.org/10.1115/detc2019-98418)
[9] Raghav Gnanasambandam, Bo Shen, et al. (2024). *Deep Gaussian process for enhanced Bayesian optimization and its application in additive manufacturing*. DOI: [10.1080/24725854.2024.2312905](https://doi.org/10.1080/24725854.2024.2312905)
[10] J. Felix, D. Murgulet (?). *Nitrate isotopic composition of sequential Hurricane Harvey wet deposition: Low latitude NOx sources and oxidation chemistry*. DOI: [10.1016/j.atmosenv.2020.117748](https://doi.org/10.1016/j.atmosenv.2020.117748)
[11] Eason Chen (?). *Deep-learning-based surrogate model for fast and accurate simulation in pipeline transport*. DOI: [10.3389/fenrg.2022.979168](https://doi.org/10.3389/fenrg.2022.979168)
[12] Guoqing Wang, Sunhao Dai, et al. (2025). *Information Gain-based Policy Optimization: A Simple and Effective Approach for Multi-Turn Search Agents*.
[13] J. Paquet (2023). *Applications of emulation and Bayesian methods in heavy-ion physics*. DOI: [10.1088/1361-6471/ad6a2b](https://doi.org/10.1088/1361-6471/ad6a2b)

## Annexes

### A. Detailed Reviewer Reports

#### Methodologist

- **Score**: 6.8/10 | **Verdict**: weak_accept | **Confidence**: 0.82
- **Strengths**: La structure de validation en trois phases (in silico, physique minimale, physique complète) est méthodologiquement solide et réduit les risques du programme de recherche en validant le mécanisme central en simulation avant d'engager des ressources importantes dans des expériences physiques. Il s'agit d'un exemple typique de réduction progressive des risques scientifiques.; L'utilisation explicite d'un cadre KOH (Kennedy-O'Hagan) avec un terme d'écart distinct δ(x) constitue une approche sophistiquée et appropriée pour traiter le biais systématique reconnu entre le simulateur de faible fidélité (WIMS-AECL) et la réalité physique. La pré-enregistrement d'une hypothèse falsifiable pour ce terme (H0 : δ(x)=0) est un choix méthodologique fort.; Le protocole comprend une Phase 3 bien conçue avec mise en aveugle pour l'analyse finale des données, un test F formel sur le rapport de variances, et une analyse de puissance fondée sur la simulation pour confirmer l'adéquation de la taille d'échantillon, ce qui répond directement aux préoccupations courantes concernant le biais de confirmation et la rigueur statistique dans la conception expérimentale séquentielle.
- **Weaknesses**: L'hypothèse principale (réduction de la variance ≥20 %) est testée contre un plan LHS statique, mais le plan statique n'est pas le comparateur le plus exigeant ni le plus pertinent. Une référence plus rigoureuse serait un plan bayésien optimal en une seule étape (par exemple, maximiser le gain d'information attendu sur un lot fixe de 4 points) ou un plan de remplissage de l'espace avec un nombre comparable de points d'entraînement initiaux, afin d'isoler le bénéfice de l'adaptation séquentielle du bénéfice de l'optimisation bayésienne elle-même.; Les critères de succès du protocole pour la Phase 2 (validation physique) sont sensiblement assouplis (réduction de la variance ≥15 %, confiance de 90 % pour la discordance) par rapport à la Phase 1 (≥20 %, 95 %). Cela crée un risque de « déplacement des poteaux » où la validation physique peut être considérée comme un succès même si elle ne satisfait pas à l'hypothèse initiale, ce qui pourrait affaiblir la force de l'affirmation finale.; L'analyse de puissance n'est mentionnée que comme un exercice « fondé sur la simulation » en Phase 3, mais la puissance statistique du test F principal pour détecter une réduction de la variance de 20 % avec seulement 4 essais expérimentaux (Phase 1) n'est pas pré-analysée. Avec n=4, le test F a une puissance extrêmement faible et une variance élevée, ce qui rend le critère « GO » de la Phase 1 statistiquement fragile et peut conduire à un faux négatif ou à un faux positif.
- **Questions**: Comment garantirez-vous que les 4 séries expérimentales en Phase 1 (et 4 en Phase 2) fournissent une puissance statistique suffisante pour détecter la réduction de variance hypothétique de 20 % ? Quelle est la largeur attendue de l'intervalle de confiance pour le rapport de variances avec n=4, et le test F est-il seulement pertinent à cette taille d'échantillon ?; La fonction d'acquisition est décrite comme « Expected Information Gain (EIG) ou une variante de l'Expected Improvement pour la réduction de variance ». Comment gérerez-vous la non-traitabilité computationnelle de l'EIG dans des espaces d'entrée de grande dimension, et quelle approximation spécifique (par exemple, Monte Carlo, variationnelle) utiliserez-vous pour garantir que la fonction d'acquisition est optimisée globalement plutôt que de rester bloquée dans des optima locaux ?; En Phase 2, le protocole indique que la boucle SBED sélectionnera les conditions, mais il ne précise pas comment vous gérerez le cas où l'installation d'irradiation ne peut pas atteindre physiquement les conditions exactes de flux/temps demandées par la fonction d'acquisition. Quelle est votre tolérance à l'écart, et comment cet écart sera-t-il incorporé dans la mise à jour du modèle de substitution GP ?
- **Recommendation**: Je recommande un weak accept avec des révisions majeures. La structure en trois phases et le traitement explicite de l'écart du modèle sont excellents, mais la puissance statistique des phases précoces est discutable, et le plan de comparaison n'est pas le plus rigoureux. Je suggère fortement d'ajouter une analyse de puissance fondée sur simulation pour la Phase 1 afin de justifier la taille d'échantillon n=4, et d'envisager un plan bayésien optimal en une seule étape comme comparateur supplémentaire pour renforcer l'affirmation selon laquelle l'adaptation séquentielle est le moteur principal de l'amélioration. Le protocole est prometteur mais nécessite ces renforcements méthodologiques avant exécution.

#### Domain Expert

- **Score**: 7.8/10 | **Verdict**: accept | **Confidence**: 0.88
- **Strengths**: L'hypothèse démontre une intégration rigoureuse et cohérente du cadre de Kennedy-O'Hagan (KOH) avec la conception expérimentale bayésienne séquentielle (SBED), en identifiant correctement le double rôle du terme d'écart à la fois dans l'absorption du biais systématique et dans la quantification de l'incertitude irréductible liée à la forme du modèle. Il s'agit d'une approche théoriquement solide qui va au-delà d'une simple optimisation fondée sur un modèle de substitution.; La chaîne causale proposée est structurée de manière logique et physiquement plausible. L'utilisation de WIMS-AECL comme simulateur de faible fidélité pour la génération initiale de données, suivie d'expériences ciblées de haute fidélité guidées par une fonction d'acquisition fondée sur la théorie de l'information, constitue une application classique de la BOED multi-fidélité. L'accent mis sur la production de 233U est une application opportune et pertinente dans le contexte des cycles de combustible nucléaire avancés.; L'hypothèse est bien positionnée par rapport à l'état de l'art. Elle identifie correctement la lacune principale : bien que la SBED et le cadre KOH soient établis individuellement, leur combinaison explicite pour la planification adaptative d'expériences d'irradiation nucléaire, avec un accent particulier sur la production d'isotopes, constitue une contribution novatrice. La base de données probantes comprend des articles fondamentaux (par exemple, Surer et al., 2023) et des travaux de calibration spécifiques au domaine (Khuwaileh & Turinsky, 2017), ce qui démontre une solide maîtrise de la littérature pertinente.
- **Weaknesses**: L'affirmation centrale d'une « réduction de 20 % de la variance a posteriori » est présentée sans justification théorique ni empirique. Ce seuil quantitatif spécifique apparaît arbitraire et n'est pas dérivable du seul mécanisme proposé. La réduction attendue dépend fortement de l'ampleur inconnue de l'écart du modèle, du niveau de bruit et de l'espace d'entrée spécifique. Cela affaiblit la testabilité de l'hypothèse.; Le postulat d'un « processus gaussien stationnaire » pour le terme d'écart du modèle δ(x) est une simplification forte et souvent problématique en génie nucléaire. Le biais entre un code de physique des réseaux comme WIMS-AECL et un réacteur physique est probablement non stationnaire, en particulier sur une large gamme de flux et de composition, où différents phénomènes physiques (par exemple, l'autoprotection des résonances, la rétroaction thermique) dominent. Ce postulat doit être explicitement traité et potentiellement assoupli (par exemple, en utilisant un processus non stationnaire ou un processus brownien intégré).; L'hypothèse traite le « processus physique réel » comme une fonction déterministe des entrées, toute la variabilité provenant de l'erreur de mesure et de l'écart. Cela ignore l'incertitude aléatoire issue des tolérances de fabrication, des variations des propriétés des matériaux et des conditions thermohydrauliques stochastiques au sein de l'expérience. Cette simplification pourrait conduire à une distribution a posteriori trop confiante et à une évaluation trop optimiste du gain d'information.
- **Questions**: Comment le cadre proposé prendra-t-il en compte la non-stationnarité inévitable et significative de l'écart du modèle sur l'espace des entrées d'irradiation (temps, flux, composition) ? Un a priori de processus gaussien stationnaire pour δ(x) est-il un choix défendable, ou un processus brownien intégré plus flexible ou un processus gaussien profond serait-il nécessaire pour éviter des estimations de paramètres biaisées ?; L'hypothèse spécifie un total de 3 à 4 expériences séquentielles. Compte tenu du coût élevé des campagnes d'irradiation, quelle est la base quantitative de ce nombre ? Avez-vous envisagé un plan séquentiel par lots ou avec anticipation (par exemple, q-EGO) pour mieux arbitrer entre le gain d'information et le coût fixe du démarrage et de l'arrêt du réacteur ?; La fonction d'acquisition est décrite comme maximisant le gain d'information sur les « paramètres du modèle de haute fidélité ». Cependant, l'objectif ultime est l'estimation précise du taux de production de 233U. Comment garantirez-vous que le plan optimise la quantité d'intérêt spécifique (QoI) plutôt que la réduction globale des paramètres, ce qui pourrait être inefficace ? Une fonction d'acquisition ciblée et sensible à la QoI (par exemple, la variance de la QoI) serait plus directe.
- **Recommendation**: L'hypothèse présente un cadre méthodologique bien structuré et novateur, théoriquement ancré dans l'état de l'art actuel. Le mécanisme central consistant à utiliser SBED avec un terme d'écart KOH pour planifier les expériences d'irradiation est à la fois plausible et prometteur. Toutefois, ce travail doit être renforcé par une justification plus rigoureuse de l'affirmation quantitative de performance (réduction de 20 % de la variance) et par un traitement explicite des postulats critiques concernant la stationnarité de l'écart du modèle et la prise en compte de l'incertitude aléatoire. Je recommande l'acceptation avec révisions majeures, en encourageant les auteurs à affiner ces aspects dans leur proposition complète.

#### Contrarian

- **Score**: 3.5/10 | **Verdict**: weak_reject | **Confidence**: 0.85
- **Strengths**: [Force reelle] L'utilisation explicite du cadre Kennedy-O'Hagan pour separer la discrepance de modele de l'erreur de mesure est methodologiquement saine et constitue une amelioration par rapport aux approches naives qui supposent un simulateur parfait.; [Force reelle] La prediction 3 (comparaison du nombre d'essais requis pour atteindre une variance cible) est une metrique d'evaluation plus robuste et plus significative physiquement que la simple reduction de variance a un nombre fixe d'essais, car elle reflete directement le cout reel des experiences.
- **Weaknesses**: FAIL REASON #1: L'hypothese d'une fonction deterministe du processus physique est une fiction commode mais dangereuse. Dans un reacteur nucleaire, la variabilite run-to-run (position des barres, temperature du moderateur, historique d'irradiation, heterogeneites locales du combustible) n'est pas du bruit de mesure, c'est une source de variance physique non controlee. Le GP de discrepance absorbera cette variance, la confondra avec le biais systematique du simulateur, et l'acquisition function optimisera sur un terme qui n'est pas stationnaire. Le resultat sera un design 'optimal' pour un processus qui n'existe pas.; FAIL REASON #2: Le point crucial est la taille de l'effet. Avec seulement 20 runs initiaux de WIMS-AECL, un GP multi-fidelite avec un terme de discrepance aura une variance predictive dominee par l'incertitude d'emulation, pas par l'incertitude sur le taux de production de 233U. L'acquisition function selectionnera des conditions pour reduire la variance du GP, pas la variance du parametre d'interet. La reduction de 20% de la variance posterieure est un artefact de la methode, pas une preuve d'efficacite. De plus, avec 3-4 points experimentaux, le GP de discrepance (un second GP) aura une variance posterieure enorme et non-informative; le 'signal' de discrepance sera noye dans le bruit.; FAIL REASON #3: L'angle mort le plus severe est l'absence de toute consideration des incertitudes nucleaires fondamentales. Le taux de production de 233U depend de sections efficaces (σ) dont les incertitudes (issues de la bibliotheque de donnees nucleaires) sont correlees et non-gaussiennes. Le GP ne peut pas capturer ces correlations. Le 'vrai' taux de production a une incertitude epistemique irreductible qui n'est pas dans le modele. L'experience ne mesure pas le 'vrai' taux, elle mesure une convolution du taux reel et de l'erreur de mesure. Le framework SBED reduira la variance du modele, mais pas l'incertitude reelle sur le taux de production physique, rendant la prediction 1 triviale et trompeuse.
- **Questions**: [Question devastatrice] Comment distinguez-vous, dans l'analyse bayesienne, la variance du terme de discrepance δ(x) de la variance de l'erreur de mesure, sachant que vous n'avez que 3-4 points experimentaux pour estimer un processus GP complet? Avec si peu de points, le prior sur les hyperparametres de δ(x) dominera le posterior. Quelle est l'analyse de sensibilite a ce prior?; [Question devastatrice] Votre prediction 1 compare la variance posterieure du taux de production. Mais si le modele WIMS-AECL est biaise, la 'vraie' valeur du taux de production est inconnue. Le GP avec discrepance predit une valeur corrigee, mais comment validez-vous cette correction sans une experience 'gold standard' independante? Sans cela, vous mesurez uniquement la reduction de variance d'un estimateur biaise, ce qui est un exercice de style, pas une avancee scientifique.
- **Recommendation**: Pour rendre cette hypothese testable, il faut d'abord demontrer sur des donnees simulees (ou des donnees historiques d'irradiation) que le GP multi-fidelite avec discrepance peut effectivement separer le biais du simulateur de l'erreur de mesure, avec un nombre de points realiste (N=3-4). Ensuite, il faut quantifier l'impact des incertitudes de sections efficaces sur la variance du taux de production et montrer que le SBED reduit cette variance 'totale', pas seulement la variance du surrogate. Enfin, il faut fournir une analyse de sensibilite au prior sur les hyperparametres de δ(x) et a la forme de la fonction de cout. Sans ces elements, la reduction de 20% est un artefact de la methode.

#### Industrialist

- **Score**: 6.5/10 | **Verdict**: weak_accept | **Confidence**: 0.65
- **Strengths**: Le marché est identifiable et captif : les programmes nucléaires civils (Canada via AECL, Inde, Chine, Japon) et les startups SMR (ex. Terrestrial Energy, Kairos Power) qui cherchent à qualifier des combustibles au thorium pour la production de 233U ou la réduction de déchets. Le budget typique d'un cycle d'irradiation en réacteur de recherche (ex. NRU, Halden) est de 1 à 5 M€, donc un outil qui réduit de 30-50% le nombre de cycles est un argument de vente direct.; L'avantage concurrentiel est la réduction du temps de qualification : passer de 5 à 3 cycles d'irradiation (prédiction de votre protocole) permet de gagner 18-24 mois sur un calendrier critique de licence, ce qui se traduit par une entrée sur le marché de l'énergie plus rapide. C'est un argument de vente pour les régulateurs (ASN, CNSC) qui exigent des marges d'incertitude quantifiées sur la production d'isotopes.; La propriété intellectuelle est défendable : le couplage spécifique entre l'acquisition function SBED et la correction de biais KOH pour un simulateur neutronique donné (WIMS-AECL) est un algorithme non trivial. Un brevet de méthode logicielle (même si difficile en Europe, possible aux US) ou un copyright sur le framework pourrait bloquer des concurrents comme Radix ou des départements de R&D universitaires.
- **Weaknesses**: Barrière d'entrée majeure : l'accès aux installations d'irradiation est limité et contrôlé par des acteurs étatiques (CEA, INL, JAEA). Un éditeur de logiciel privé ne peut pas 'scaler' un service SaaS sans un partenariat formel avec un opérateur de réacteur, ce qui rend la commercialisation dépendante de la politique énergétique, pas de la performance du code.; Le marché est très fragmenté et petit : le nombre de laboratoires qui font de la simulation d'irradiation de thorium est estimé à moins de 50 dans le monde. Le chiffre d'affaires potentiel (licences + services de consulting) plafonne à 2-5 M€/an, ce qui est insuffisant pour justifier une ligne de produit dédiée chez un grand éditeur (ANSYS, COMSOL) mais viable pour une PME spécialisée.; Risque de substitution : les méthodes de 'design of experiments' classiques (espace remplissant) sont déjà intégrées dans les outils standards (ex. Dakota, UQpy). Si un client n'a pas un besoin urgent de réduction de variance (car il a déjà des marges de sécurité élevées), il n'achètera pas une solution SBED complexe, surtout si le coût d'intégration avec leur simulateur propriétaire est élevé.
- **Questions**: Quel est le coût d'intégration de votre framework avec les simulateurs propriétaires des clients (ex. DRAGON, OpenMC) ? Si l'intégration dépasse 3 mois-homme, le ROI pour le client est négatif, car le coût d'ingénierie dépasse l'économie sur les cycles d'irradiation.; Pouvez-vous démontrer un cas d'usage où la réduction de variance de 20% change une décision de sûreté (ex. passage d'un facteur de sécurité de 1.5 à 1.2) ? Si non, les régulateurs n'exigeront pas cet outil, et l'achat sera purement discrétionnaire.; Quel est votre modèle de revenus : licence perpétuelle, SaaS, ou consulting ? Le marché préfère le consulting (car les clients veulent un résultat, pas un outil), mais cela ne scale pas. Une licence SaaS à 50k€/an est-elle réaliste pour un institut de recherche avec un budget gelé ?
- **Recommendation**: Ne pas lancer un produit standalone. Cibler 3 à 5 instituts de recherche (ex. Chalk River, BARC, NRG) et proposer un pilote de 6 mois où le framework est appliqué à un cas d'irradiation existant. Le but est de vendre un 'service de calibration augmentée' à 100-150k€ par projet, pas un logiciel. En parallèle, déposer un brevet sur la méthode de sélection séquentielle avec correction de biais pour les simulateurs neutroniques, puis licencier ce brevet à des intégrateurs de simulation (ex. Framatome) qui veulent l'inclure dans leur offre de services. La timeline de commercialisation est de 24-36 mois, conditionnée à la réussite de la Phase 2 (validation physique). Le ROI est modéré (3-5x sur 5 ans) mais le risque de non-adoption est élevé si les régulateurs ne changent pas leurs critères d'acceptation.

#### Funding Strategist

- **Score**: 6.5/10 | **Verdict**: weak_accept | **Confidence**: 0.72
- **Strengths**: Originalite methodologique : l'application de SBED avec correction de discrepance explicite a la calibration de simulations d'irradiation thorium est un positionnement novateur qui combine statistique bayesienne et genie nucleaire, un creneau peu explore dans les appels generiques.; Protocole de validation pragmatique et gradue : la structure en 3 phases avec criteres GO/NO-GO quantitatifs (reduction de variance >= 20%, intervalle de confiance 90%) demontre une rigueur scientifique qui rassure les evaluateurs sur la faisabilite et la gestion du risque.; Pertinence societale et strategique : la production d'233U pour le cycle thorium repond a des enjeux de surete nucleaire, de non-proliferation et de durabilite energetique, alignes avec les priorites de la Commission europeenne (Euratom, Green Deal).
- **Weaknesses**: TRL faible (1-2) : l'hypothese est purement conceptuelle, avec une validation uniquement in silico prevue. Les programmes de financement collaboratifs (Horizon Europe) exigent generalement un TRL plus eleve (3-4) et une preuve de concept experimentale prealable.; Consortium sous-dimensionne : l'absence de partenaires industriels (ex: Framatome, Westinghouse) ou de reacteurs de recherche (ex: JHR, BR2) dans la proposition limite la credibilite pour l'acces aux installations d'irradiation et aux donnees experimentales.; Echelle budgetaire inadaptee : le budget de €20k-80k est trop faible pour les appels collaboratifs europeens (minimum €150k) et trop eleve pour les financements exploratoires locaux, creant un 'no man's land' de financement.
- **Questions**: Comment comptez-vous acceder aux installations d'irradiation (reacteur de recherche) pour la Phase 2 et 3, et quel partenaire operateur est deja engage dans la proposition ?; Le WIMS-AECL est un code de calcul canadien : avez-vous envisage des codes europeens equivalents (APOLLO, DRAGON) pour faciliter l'acceptation par les evaluateurs Euratom et les partenaires europeens ?; Quelle est la strategie de publication et de valorisation des donnees experimentales (acces ouvert, brevet, logiciel open-source) pour maximiser l'impact et la reproductibilite ?
- **Recommendation**: Positionnez cette hypothese comme un projet exploratoire de preuve de concept (TRL 1-2) a soumettre a l'ANR Jeunes Chercheuses et Jeunes Chercheurs (JCJC) ou a un appel exploratoire Euratom, en mettant l'accent sur le developpement methodologique plutot que sur la validation experimentale complete. Pour Horizon Europe, envisagez une reorientation vers un appel IA4EUROPE ou NRT (Nuclear Research and Training) en formant un consortium avec un operateur de reacteur de recherche et un laboratoire de statistique, avec un budget rehausse a €300k-500k et un TRL cible de 3-4.

### B. Semantic Scholar Search Queries

- [novelty] `Bayesian optimal design nuclear irradiation experiments` — Direct search for the core hypothesis combining Bayesian experimental design with nuclear irradiation
- [novelty] `sequential adaptive design thorium fuel irradiation` — Targets the specific application to thorium fuels with adaptive/sequential methodology
- [novelty] `Gaussian process emulation reactor physics burnup` — Searches for the proposed surrogate modeling mechanism applied to reactor physics
- [novelty] `Bayesian optimization information gain neutronics experiments` — Checks if the optimization-for-information-gain approach is already used in neutronics experimental planning
- [evidence] `optimal experimental design nuclear data measurements` — Finds statistical design methods applied to nuclear data collection, supporting the feasibility
- [evidence] `Bayesian sequential updating isotopic composition measurement` — Looks for evidence of sequential Bayesian inference in isotopic analysis, a key mechanism
- [evidence] `emulation surrogate model neutron transport simulation` — Seeks evidence of statistical emulation of neutron transport codes, validating the simulator-to-surrogate step
- [evidence] `adaptive design expensive experiments cost reduction` — Finds general evidence that adaptive experimental design reduces costs in expensive experimental settings
- [cross_domain] `Bayesian optimization clinical trial adaptive design` — Establishes the precedent in clinical trials, the direct analog domain mentioned in the hypothesis
- [cross_domain] `Gaussian process surrogate engineering design optimization` — Finds the established engineering design practice of GP surrogates for optimization, supporting portability
- [cross_domain] `sequential Monte Carlo nuclear safeguards uranium production` — Bridges statistics (SMC) with nuclear safeguards, potentially revealing related sequential estimation work
- [cross_domain] `computer model calibration nuclear reactor physics` — Searches for calibration of reactor physics codes with statistical methods, a related interdisciplinary precedent

---

*Generated by SPORE (Systeme de Production d'Opportunites de Recherche par Exploration) on 2026-08-07*