مشغّلات FNO وUNO العصبية لحساب تدفق النيوترونات ثنائي الأبعاد

نشر باحثون في يوليو 2026 على arXiv ورقة بعنوان «Neural Operator Surrogates for Two-Dimensional Neutron Flux Estimation»، نقلوا فيها أسلوب المشغّلات العصبية من مسائل نقل النيوترونات أحادية البعد إلى المسائل ثنائية الأبعاد، وقارنوا بين ثلاثة نماذج بديلة مبنية على معماريتي FNO وUNO.

ماذا فعل الباحثون

درّب الباحثون مشغّلات عصبية على التنبؤ بالتدفق العددي (scalar flux) للنيوترونات في مسألة نقل أحادية المجموعة (one-group transport) مع تشتت متناحي الخواص. وتواصل هذه الورقة مباشرة تجاربهم السابقة أحادية البعد مع مشغّلات single-sweep، لكن النماذج البديلة تعمل الآن في بعدين، وهي خطوة تقرّب الأسلوب من الهندسات الهندسية الواقعية. وجرى حساب الحل المرجعي («high-fidelity») لكل حالة بواسطة حلّال موثوق يعتمد طريقة الإحداثيات المنفصلة (discrete ordinates)، وقُيّمت جودة التقريب بمتوسط معيار الخطأ النسبي L2.

المشغّل العصبي نموذج يتعلّم تحويل دالة مستمرة واحدة (حقل المادة والمصدر) إلى دالة أخرى (حقل التدفق)، وليس مجرد تحويل رقم إلى رقم. ووفقًا لملخص الورقة على arXiv، تشمل الدراسة نوعين من هذه المعماريات: المشغّلات العصبية من نوع Fourier (FNO) والمشغّلات العصبية ذات البنية U (U-shaped neural operators، UNO).

ثلاثة نماذج بديلة

تقارن الورقة بين ثلاثة نماذج بديلة تحوّل المدخلات إلى تدفق نيوتروني بطرق مختلفة. يعالج النموذجان الأولان المسألة «مباشرة»، بينما يتلقى الثالث تلميحًا من طريقة عددية كلاسيكية:

• FNO — يحوّل حقلَي المادة والمصدر مباشرة إلى التدفق العددي
• UNO — المسألة المباشرة نفسها، لكن على معمارية U-shaped neural operator
• FNO بمُدخل single-sweep — يتلقى إضافة إلى ذلك التدفق الناتج بعد تكرار واحد للمصدر (single-sweep approximation)

دُرّب كل نموذج من النماذج الثلاثة على ثلاث تهيئات عشوائية (random seeds). وهذه تفصيلة محورية في المنهجية: إذ تتيح ثلاث جولات تدريب التمييز بين الفرق الحقيقي بين المقاربات والتشتت الإحصائي الذي ينشأ من تشغيل إلى آخر بحد ذاته. أما تقريب single-sweep فهو هنا تكرار أول رخيص للحلّال الكلاسيكي يُقدَّم للنموذج بوصفه خاصية إضافية.

ماذا يعني ذلك للحماية من الإشعاع

يتمثل الاهتمام العملي الرئيسي في الورقة في الدقة داخل المناطق شديدة التوهين، وهي مناطق حاسمة في حسابات الحماية من الإشعاع (shielding). ففي المواضع التي ينخفض فيها تدفق النيوترونات بعدة رتب من الحجم، تخطئ النماذج البديلة عادةً أكثر من أي مكان آخر، بينما تكتسب القيم الصغيرة للتدفق أهميتها تحديدًا في تقييم الحماية البيولوجية. ويختبر المؤلفون فرضية مفادها: هل يساعد التدريب على لوغاريتم التدفق، بدلًا من التدفق نفسه، في استعادة هذه المناطق بدقة أكبر.

أما السؤال الثاني في الدراسة فهو: هل يمنح مُدخل single-sweep الإضافي مكسبًا حقيقيًا في الدقة مقارنةً بالتحويلات المباشرة «حقل ← تدفق». ويصوغ المؤلفون الفرضيتين صراحةً بوصفهما المحورين الموجّهين للدراسة.

«يوجّه الدراسةَ سؤالان: هل يحسّن مُدخل single-sweep الدقة مقارنةً

بالتحويلات المباشرة، وهل يحسّن التدريب على لوغاريتم التدفق الدقة في المناطق شديدة التوهين ذات الصلة بالحماية»، وفق ما ورد في ملخص الورقة على arXiv.

ماذا يعني ذلك

تتوسع المشغّلات العصبية تدريجيًا في مسائل الفيزياء الحاسوبية: فإذا أعاد النموذج البديل إنتاج حقل النيوترونات بدقة كافية، أمكن استبدال جزء من الحساب المكلف بطريقة الإحداثيات المنفصلة باستدلال (inference) سريع من النموذج. ويقرّب الانتقال من المسائل أحادية البعد إلى ثنائية البعد هذا الأسلوب من الحسابات الهندسية للحماية من الإشعاع، حيث تستغرق المحاكاة الكاملة وقتًا طويلًا بصورة خاصة، ويكبر عدد السيناريوهات المطلوب استعراضها.