Operadores neurais FNO e UNO para calcular o fluxo bidimensional de nêutrons

Pesquisadores publicaram no arXiv, em julho de 2026, o trabalho «Neural Operator Surrogates for Two-Dimensional Neutron Flux Estimation». O estudo leva o método dos operadores neurais de problemas unidimensionais de transporte de nêutrons para problemas bidimensionais e compara três modelos substitutos (surrogates) construídos sobre as 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 experimentos unidimensionais anteriores da equipe com operadores single-sweep, mas agora os modelos substitutos atuam em duas dimensões, um passo que aproxima o método de geometrias de engenharia reais. A solução de referência («high-fidelity») de cada caso foi calculada por um solver consolidado baseado no método de ordenadas discretas (discrete ordinates), e a qualidade da aproximação foi avaliada pelo erro relativo médio na norma L2.

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

Três modelos substitutos

O trabalho compara três modelos substitutos, que mapeiam os dados de entrada para o fluxo de nêutrons de maneiras diferentes. Os dois primeiros resolvem o problema de forma direta; o terceiro recebe uma dica de um método numérico clássico:

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

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

O que isso traz para a blindagem radiológica

O principal interesse prático do trabalho está na precisão em regiões fortemente atenuadas, que são críticas para os cálculos de blindagem radiológica (shielding). É justamente onde o fluxo de nêutrons cai muitas ordens de grandeza que os modelos substitutos costumam errar mais, e para avaliar a proteção biológica os valores pequenos de fluxo são os que importam. Os autores testam a hipótese de que treinar com o logaritmo do fluxo, e não com o 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 relação aos mapeamentos diretos «campo → fluxo». Os autores formulam as duas hipóteses de maneira explícita, como as duas questões que orientam a pesquisa.

«Duas perguntas orientam o estudo: a entrada single-sweep melhora a

precisão em comparação com os mapeamentos diretos, e o treinamento com o logaritmo do fluxo melhora a precisão em regiões fortemente atenuadas, relevantes para a blindagem», diz o resumo do trabalho no arXiv.

O que isso significa

Os operadores neurais vêm ganhando espaço em problemas de física computacional: se um modelo substituto reproduz o campo de nêutrons com precisão suficiente, o cálculo caro pelo método de ordenadas discretas pode ser parcialmente substituído por inferência rápida do modelo. A passagem de problemas unidimensionais para bidimensionais aproxima a abordagem dos cálculos de engenharia de blindagem radiológica, nos quais as simulações em escala completa são especialmente demoradas e o número de cenários a testar é grande.