Нейросетевые операторы FNO и UNO для расчёта двумерного потока нейтронов

Em julho de 2026, pesquisadores publicaram no arXiv o trabalho «Neural Operator Surrogates for Two-Dimensional Neutron Flux Estimation», no qual transferiram o método de operadores neurais de problemas unidimensionais de transporte de nêutrons para problemas bidimensionais e compararam três modelos substitutos baseados nas arquiteturas FNO e UNO.

O que os pesquisadores fizeram

Os pesquisadores treinaram operadores neurais para prever o fluxo escalar de nêutrons em um problema de transporte de um grupo (one-group transport) com espalhamento isotrópico. O trabalho dá continuidade direta aos seus experimentos unidimensionais anteriores com operadores single-sweep, mas agora os modelos substitutos operam em duas dimensões — um passo que aproxima o método de geometrias de engenharia reais. A solução de referência («high-fidelity») para cada caso foi calculada com um solver validado pelo método das ordenadas discretas (discrete ordinates), e a qualidade da aproximação foi avaliada pela norma de erro relativo médio L2.

Um operador neural é um modelo que aprende a mapear uma função contínua (o campo de material e fonte) em outra (o campo de fluxo), em vez de simplesmente mapear um número em outro número. Segundo o resumo publicado no arXiv, o estudo emprega dois tipos dessas arquiteturas: os operadores neurais de Fourier (Fourier neural operators, FNO) e os operadores neurais em forma de U (U-shaped neural operators, UNO).

Três modelos substitutos

O trabalho compara três modelos substitutos que mapeiam de formas diferentes os dados de entrada para o fluxo de nêutrons. Os dois primeiros resolvem o problema diretamente, enquanto o terceiro recebe uma pista de um método numérico clássico:

• FNO — mapeia os campos de material e fonte diretamente para o fluxo escalar
• UNO — o mesmo problema direto, mas na arquitetura U-shaped neural operator
• FNO com entrada single-sweep — recebe adicionalmente o fluxo após uma iteração de fonte (single-sweep approximation)

Cada um dos três modelos foi treinado com três inicializações aleatórias (random seeds). Esse é um detalhe fundamental da metodologia: três execuções permitem distinguir uma diferença real entre as abordagens da dispersão estatística que surge de uma execução para outra por si só. A aproximação single-sweep aqui é uma primeira iteração barata do solver clássico, fornecida ao modelo como um atributo adicional.

O que isso traz para a proteção radiológica

O principal interesse prático do trabalho é a precisão nas regiões fortemente atenuadas, críticas para os cálculos de proteção radiológica (shielding). É justamente onde o fluxo de nêutrons cai várias ordens de grandeza que os modelos substitutos costumam errar mais, e para avaliar a proteção biológica são exatamente os valores baixos de fluxo que importam. Os autores testam a hipótese de que treinar com o logaritmo do fluxo, em vez do fluxo em si, ajuda a reconstruir essas zonas com mais precisão.

A segunda pergunta do estudo é se a entrada adicional single-sweep traz um ganho real de precisão em comparação com os mapeamentos diretos «campo → fluxo». Os autores formulam ambas as hipóteses explicitamente como as duas linhas que orientam a pesquisa.

«Duas perguntas orientam a pesquisa: se a entrada single-sweep melhora

a precisão em comparação com os mapeamentos diretos, e se treinar com o logaritmo do fluxo melhora a precisão nas regiões fortemente atenuadas relevantes para a proteção», afirma o resumo do trabalho publicado no arXiv.

O que isso significa

Os operadores neurais estão gradualmente dominando problemas de física computacional: se um modelo substituto reproduz o campo de nêutrons com precisão suficiente, o cálculo caro pelo método das ordenadas discretas pode ser parcialmente substituído pela inferência rápida do modelo. A transição de problemas unidimensionais para bidimensionais aproxima a abordagem dos cálculos de engenharia para proteção radiológica, onde simulações em escala real são especialmente demoradas e o número de cenários a percorrer é grande.