Operadores neuronales FNO y UNO para calcular el flujo bidimensional de neutrones

En julio de 2026, un grupo de investigadores publicó en arXiv el trabajo «Neural Operator Surrogates for Two-Dimensional Neutron Flux Estimation». En él trasladan el método de los operadores neuronales de los problemas unidimensionales de transporte de neutrones a los bidimensionales y comparan tres modelos sustitutos basados en las arquitecturas FNO y UNO.

Qué hicieron los investigadores

Los investigadores entrenaron operadores neuronales para predecir el flujo escalar de neutrones en un problema de transporte de un solo grupo (one-group transport) con dispersión isótropa. El trabajo continúa directamente sus experimentos unidimensionales anteriores con operadores single-sweep, pero ahora los sustitutos operan en dos dimensiones, un paso que acerca el método a las geometrías de ingeniería reales. La solución de referencia («high-fidelity») de cada caso se calculó con un solver contrastado de ordenadas discretas (discrete ordinates), y la calidad de la aproximación se evaluó con el error relativo medio en norma L2.

Un operador neuronal es un modelo que aprende a transformar una función continua (el campo de material y de fuente) en otra (el campo de flujo), en lugar de convertir simplemente un número en otro. Según el resumen de arXiv, el estudio emplea dos tipos de estas arquitecturas: los Fourier neural operators (FNO) y los operadores neuronales en forma de U (U-shaped neural operators, UNO).

Tres modelos sustitutos

El trabajo compara tres sustitutos que transforman los datos de entrada en flujo de neutrones de maneras distintas. Los dos primeros resuelven el problema «de frente»; el tercero recibe una pista de un método numérico clásico:

• FNO: transforma los campos de material y de fuente directamente en flujo escalar
• UNO: el mismo problema directo, pero sobre la arquitectura U-shaped neural operator
• FNO con entrada single-sweep: recibe además el flujo obtenido tras una iteración de la fuente (single-sweep approximation)

Cada uno de los tres modelos se entrenó con tres inicializaciones aleatorias (random seeds). Es un detalle clave de la metodología: tres ejecuciones permiten distinguir una diferencia real entre enfoques de la dispersión estadística que aparece de una ejecución a otra por sí sola. La aproximación single-sweep es aquí una primera iteración barata del solver clásico, que se entrega al modelo como característica adicional.

Qué aporta a la protección radiológica

El principal interés práctico del trabajo es la precisión en las regiones fuertemente atenuadas, críticas para los cálculos de protección radiológica (shielding). Justo allí, donde el flujo de neutrones cae muchos órdenes de magnitud, los modelos sustitutos suelen cometer más errores, y para evaluar la protección biológica importan precisamente los valores pequeños del flujo. Los autores ponen a prueba una hipótesis: si entrenar sobre el logaritmo del flujo, y no sobre el flujo mismo, ayuda a reconstruir con mayor precisión esas zonas.

La segunda pregunta del estudio es si la entrada adicional single-sweep ofrece una mejora real de precisión frente a las transformaciones directas «campo → flujo». Los autores formulan ambas hipótesis de forma explícita como las dos líneas que guían la investigación.

«Dos preguntas guían el estudio: si la entrada single-sweep mejora la

precisión frente a las transformaciones directas y si entrenar sobre el logaritmo del flujo mejora la precisión en las regiones fuertemente atenuadas relevantes para la protección», señala el resumen del trabajo en arXiv.

Qué significa

Los operadores neuronales se abren paso poco a poco en los problemas de física computacional: si un sustituto reproduce el campo de neutrones con suficiente precisión, el costoso cálculo por ordenadas discretas puede sustituirse en parte por la inferencia rápida de un modelo. El paso de problemas unidimensionales a bidimensionales acerca el enfoque a los cálculos de ingeniería de protección radiológica, donde las simulaciones a escala completa son especialmente costosas en tiempo y el número de escenarios por explorar es grande.