用於二維中子通量估計的神經算子代理
該工作將一維單掃描神經算子研究擴展到二維，使用傅里葉神經算子（FNO）和U型神經算子（UNO）構建代理模型。研究了三種代理：直接映射材料與源場到通量的FNO和UNO，以及額外輸入單掃描近似通量的FNO。通過離散縱座標求解器驗證，採用平均相對L_2誤差評估。探討單掃描輸入是否提高精度及對數通量訓練是否改善強衰減區域的精度。
來源arXiv Machine Learning作者: Japan K. Patel, Barry D. Ganapol, Anthony Magliari, Matthew C. Schmidt, Todd A. Wareing
本項研究將此前在一維單掃描神經算子方法上的工作成功擴展至二維中子通量估計領域。研究團隊專注於單羣各向同性散射輸運問題，採用傅里葉神經算子（FNO）和U型神經算子（UNO）兩種先進的神經網絡架構，構建了三個不同的代理模型。前兩個代理分別基於FNO和UNO，直接根據材料與源場映射標量通量，探究端到端學習的有效性。第三個代理則是基於FNO的變體，額外輸入經過一次源迭代後的標量通量（即單掃描近似），旨在利用物理啓發式特徵提升預測性能。所有代理均通過一個經過驗證的離散縱座標求解器生成高保真度參考解，並使用平均相對L2誤差範數評估映射質量。為確保統計可靠性，每個代理在三個隨機種子下獨立訓練，以區分模型間固有差異與運行間隨機變異性。研究圍繞兩個核心問題展開：第一，包含單掃描近似輸入的代理是否比直接映射代理具有更高的精度？第二，採用對數通量變換進行訓練是否能在中子通量強衰減區域（如核屏蔽計算中的區域）顯著提升精度？該工作不僅為神經算子在中子輸運計算中的應用提供了新的見解，而且有望推動核工程領域中通量計算的快速近似方法發展，加速反應堆設計與屏蔽分析等關鍵任務的執行。