用于二维中子通量估计的神经算子代理
该工作将一维单扫描神经算子研究扩展到二维，使用傅里叶神经算子（FNO）和U型神经算子（UNO）构建代理模型。研究了三种代理：直接映射材料与源场到通量的FNO和UNO，以及额外输入单扫描近似通量的FNO。通过离散纵坐标求解器验证，采用平均相对L_2误差评估。探讨单扫描输入是否提高精度及对数通量训练是否改善强衰减区域的精度。
来源arXiv Machine Learning作者: Japan K. Patel, Barry D. Ganapol, Anthony Magliari, Matthew C. Schmidt, Todd A. Wareing
本项研究将此前在一维单扫描神经算子方法上的工作成功扩展至二维中子通量估计领域。研究团队专注于单群各向同性散射输运问题，采用傅里叶神经算子（FNO）和U型神经算子（UNO）两种先进的神经网络架构，构建了三个不同的代理模型。前两个代理分别基于FNO和UNO，直接根据材料与源场映射标量通量，探究端到端学习的有效性。第三个代理则是基于FNO的变体，额外输入经过一次源迭代后的标量通量（即单扫描近似），旨在利用物理启发式特征提升预测性能。所有代理均通过一个经过验证的离散纵坐标求解器生成高保真度参考解，并使用平均相对L2误差范数评估映射质量。为确保统计可靠性，每个代理在三个随机种子下独立训练，以区分模型间固有差异与运行间随机变异性。研究围绕两个核心问题展开：第一，包含单扫描近似输入的代理是否比直接映射代理具有更高的精度？第二，采用对数通量变换进行训练是否能在中子通量强衰减区域（如核屏蔽计算中的区域）显著提升精度？该工作不仅为神经算子在中子输运计算中的应用提供了新的见解，而且有望推动核工程领域中通量计算的快速近似方法发展，加速反应堆设计与屏蔽分析等关键任务的执行。