Нейросетевые операторы FNO и UNO для расчёта двумерного потока нейтронов

Исследователи опубликовали в июле 2026 года на arXiv работу «Neural Operator Surrogates for Two-Dimensional Neutron Flux Estimation», в которой перенесли метод нейросетевых операторов с одномерных задач переноса нейтронов на двумерные и сравнили три суррогатные модели на архитектурах FNO и UNO.

Что сделали исследователи

Исследователи обучили нейросетевые операторы предсказывать скалярный поток нейтронов в задаче одногруппового переноса (one-group transport) с изотропным рассеянием. Работа напрямую продолжает их прежние одномерные эксперименты с single-sweep-операторами, но теперь суррогаты работают в двух измерениях — шаг, приближающий метод к реальным инженерным геометриям. Эталонное («high-fidelity») решение для каждого случая считали проверенным решателем методом дискретных ординат (discrete ordinates), а качество приближения оценивали средней относительной нормой ошибки L2.

Нейросетевой оператор — это модель, которая учится отображать одну непрерывную функцию (поле материала и источника) в другую (поле потока), а не просто число в число. По данным аннотации на arXiv, в исследовании задействованы два типа таких архитектур: Fourier neural operators (FNO) и U-образные нейросетевые операторы (U-shaped neural operators, UNO).

Три суррогатные модели

В работе сравниваются три суррогата, по-разному отображающие входные данные в поток нейтронов. Первые два решают задачу «в лоб», третий получает подсказку от классического численного метода:

• FNO — отображает поля материала и источника напрямую в скалярный поток
• UNO — та же прямая задача, но на архитектуре U-shaped neural operator
• FNO с single-sweep-входом — дополнительно получает поток после одной итерации источника (single-sweep approximation)

Каждую из трёх моделей обучали на трёх случайных инициализациях (random seeds). Это ключевая деталь методики: три прогона позволяют отличить настоящую разницу между подходами от статистического разброса, который возникает от запуска к запуску сам по себе. Single-sweep-приближение здесь — это дешёвая первая итерация классического решателя, поданная модели как дополнительный признак.

Что это даёт защите от излучения

Главный практический интерес работы — точность в сильно ослабленных областях, критичных для расчётов радиационной защиты (shielding). Именно там, где поток нейтронов падает на много порядков, суррогатные модели обычно ошибаются сильнее всего, а для оценки биологической защиты важны как раз малые значения потока. Авторы проверяют гипотезу: помогает ли обучение на логарифме потока, а не на самом потоке, точнее восстанавливать эти зоны.

Второй вопрос исследования — даёт ли дополнительный вход single-sweep реальный выигрыш в точности по сравнению с прямыми отображениями «поле → поток». Обе гипотезы авторы формулируют явно как две направляющие исследования.

«Два вопроса направляют исследование: улучшает ли вход single-sweep

точность по сравнению с прямыми отображениями и улучшает ли обучение на логарифме потока точность в сильно ослабленных областях, релевантных для защиты», — говорится в аннотации работы на arXiv.

Что это значит

Нейросетевые операторы постепенно осваивают задачи вычислительной физики: если суррогат воспроизводит поле нейтронов достаточно точно, дорогой расчёт методом дискретных ординат можно частично заменить быстрым инференсом модели. Переход от одномерных к двумерным задачам приближает подход к инженерным расчётам радиационной защиты, где полноразмерные симуляции особенно затратны по времени, а число сценариев для перебора велико.