Surrogate Modeling for Neutron Transport: A Neural Operator Approach

Diese Arbeit stellt einen effizienten und genauen Ersatzmodellierungsansatz für die Neutronentransportrechnung vor, der auf neuronalen Operatoren (DeepONet und FNO) basiert und sowohl für feste Quellen als auch für Eigenwertprobleme eine signifikante Beschleunigung gegenüber herkömmlichen S_N-Lösern ermöglicht.

Das Wesentliche

Neutronen-Transport neu gedacht: Wie KI den Reaktor schneller berechnet

Stellen Sie sich vor, Sie versuchen, den Weg eines einzelnen Teilchens – eines Neutrons – durch einen komplexen Labyrinth aus Atomen vorherzusagen. In einem Kernreaktor passiert dies Billionen von Malen pro Sekunde. Um das zu berechnen, nutzen Physiker traditionell sehr genaue, aber extrem langsame Computerprogramme. Es ist, als würde man jeden einzelnen Schritt eines Wanderers in einem riesigen Wald einzeln ausmessen, um zu wissen, wo er am Ende ankommt. Das ist präzise, aber wenn Sie tausende Male schnell entscheiden müssen (z. B. beim Design eines neuen Reaktors), dauert das ewig.

Dieses Papier stellt eine brillante neue Lösung vor: Künstliche Intelligenz als „Wettervorhersage" für Neutronen.

Hier ist die einfache Erklärung, was die Forscher von der Rensselaer Polytechnic Institute getan haben:

1. Das Problem: Der langsame „Schritt-für-Schritt"-Rechner

Traditionelle Rechner (die sogenannten $S_N$-Löser) funktionieren wie ein sehr pedantischer Lehrer. Sie gehen durch das Neutronen-Labyrinth, berechnen jede Kollision und jeden Streuprozess einzeln.

• Das Problem: Wenn Sie die Bedingungen ändern (z. B. die Form des Brennstoffs oder die Art der Neutronenquelle), müssen Sie den gesamten Prozess von vorne beginnen. Das ist wie ein Koch, der für jede neue Suppe die Zutaten einzeln wiegen und den Topf jedes Mal komplett neu aufsetzen muss, anstatt ein Rezept zu haben, das für jede Variation funktioniert.

2. Die Lösung: Der „Allwissende Orakel"-Bot

Die Forscher haben zwei Arten von KI-Modellen trainiert, die wie Orakel funktionieren. Statt jeden Schritt neu zu berechnen, haben sie der KI gezeigt, wie Neutronen in verschiedenen Szenarien fließen.

• Die Idee: Die KI lernt nicht nur einzelne Punkte, sondern die ganze Funktion. Sie lernt die „Regeln des Universums" für Neutronen.
• Die zwei Helden:
  1. DeepONet: Ein sehr schneller, effizienter Denker. Er ist wie ein Sprinter, der die Antwort blitzschnell liefert, aber manchmal bei extrem komplexen Fragen einen kleinen Fehler macht.
  2. FNO (Fourier Neural Operator): Ein sehr präziser Denker. Er ist wie ein Mathematik-Genie, das die feinsten Details sieht und extrem genaue Vorhersagen trifft, aber dafür einen winzigen Moment länger braucht als der Sprinter.

3. Der Test: Von der „Absorption" zur „Streuung"

Die Forscher haben ihre KI in drei verschiedenen „Welten" getestet, die unterschiedliche physikalische Eigenschaften haben:

• Welt 1 (c=0.1): Ein „saugender" Wald, in dem Neutronen schnell verschluckt werden (Absorption).
• Welt 2 (c=0.5): Ein ausgewogener Wald, wo Neutronen sowohl verschluckt als auch abprallen.
• Welt 3 (c=1.0): Ein riesiger Spiegel-Saal, in dem Neutronen nur abprallen und nie verschluckt werden (reine Streuung).

Das Ergebnis:
Die KI-Modelle haben gelernt, die Neutronen-Flüsse für völlig neue Szenarien vorherzusagen, die sie in der Ausbildung nie gesehen hatten!

• FNO war der präziseste Vorhersagekünstler (sehr wenig Fehler).
• DeepONet war der schnellste (noch weniger Rechenzeit).
• Der Geschwindigkeitsvorteil: Während der alte Rechner Stunden brauchte, brauchten die KI-Modelle nur einen winzigen Bruchteil der Zeit (weniger als 0,3 % der Zeit!). Das ist, als würde man eine Reise von Berlin nach München in 10 Minuten statt in 6 Stunden machen.

4. Die Anwendung: Der Reaktor-Entwurf

Der wahre Durchbruch kommt, wenn man diese KI in die Berechnung der Kritikalität (den Zustand, in dem ein Reaktor stabil läuft) einbaut.

• Normalerweise muss man hier tausende von Schleifen durchlaufen, um den richtigen Wert zu finden.
• Mit der KI ersetzt man diese tausenden Schleifen durch einen einzigen Blick der KI.
• Ergebnis: Die Berechnung, die früher Stunden dauerte, ist jetzt in Sekundenbruchteilen erledigt, und das Ergebnis ist immer noch so genau, dass es für echte Ingenieursarbeiten taugt.

Zusammenfassung in einer Metapher

Stellen Sie sich vor, Sie wollen wissen, wie sich Wasser in einem Fluss verhält.

• Der alte Weg: Sie messen jede Welle, jeden Stein und jede Strömung einzeln mit einem Lineal. Genau, aber unmöglich schnell.
• Der neue Weg (diese Studie): Sie haben einen erfahrenen Fischer (die KI), der den Fluss seit Jahren kennt. Wenn Sie ihm sagen: „Hier ist ein neuer Stein", sagt er sofort: „Ah, das Wasser wird hier so und so fließen." Er muss nicht neu messen; er weiß es.

Warum ist das wichtig?
Dies ermöglicht Echtzeit-Digital-Zwillinge von Kraftwerken. Ingenieure könnten in Sekunden testen, wie ein Reaktor auf verschiedene Unfälle reagiert oder wie man ihn am besten baut, ohne stundenlang auf Computer warten zu müssen. Es ist ein großer Schritt hin zu sichereren und effizienteren Kernkraftwerken.

Technische Zusammenfassung

Titel: Surrogatmodellierung für den Neutronentransport: Ein Ansatz basierend auf neuronalen Operatoren

Autoren: Md Hossain Sahadath, Qiyun Cheng, Shaowu Pan, Wei Ji (Rensselaer Polytechnic Institute)

---

1. Problemstellung und Motivation

Die präzise Berechnung des Neutronentransports ist für das Reaktordesign, die Kritikalitätssicherheit und die Multiphysik-Analyse unerlässlich. Die zugrundeliegende Neutronentransportgleichung (NTE) wird jedoch traditionell mit deterministischen Solvern (z. B. $S_N$-Methoden) oder Monte-Carlo-Simulationen gelöst. Diese Methoden sind zwar hochpräzise, aber rechenintensiv, was sie für Anwendungen einschränkt, die schnelle oder wiederholte Bewertungen erfordern (z. B. Optimierung, Unsicherheitsquantifizierung oder digitale Zwillinge).

Bestehende maschinelle Lernansätze (wie PINNs) leiden oft unter mangelnder Generalisierungsfähigkeit bei Änderungen der physikalischen Konfiguration. Ziel dieser Arbeit ist es, neuronale Operatoren als effiziente Surrogatmodelle zu etablieren, die die Abbildung von Eingangs-Funktionen (Quellen) zu Ausgangs-Funktionen (Flüsse) lernen, ohne bei jeder Änderung der Eingabe neu trainiert werden zu müssen.

2. Methodik

A. Physikalische Grundlage

Das Studium konzentriert sich auf eine eindimensionale Platten-Geometrie (10 cm Länge) mit Vakuumrandbedingungen. Untersucht werden zwei Problemklassen:

1. Feste Quellen (Fixed Source): Abbildung einer anisotropen Neutronenquelle $Q(x, \mu)$ auf den entsprechenden Winkelstrom $\psi(x, \mu)$.
2. Eigenwertproblem (k-Eigenvalue): Berechnung des kritischen Multiplikationsfaktors $k$ und des Flusses ohne externe Quelle, wobei der Fluss durch Spaltung erzeugt wird.

Die NTE wird mit der $S_N$-Methode (Diskrete Ordinaten) und Finite-Differenzen räumlich diskretisiert.

B. Neuronale Operatoren Architekturen

Zwei fortschrittliche Architekturen wurden implementiert und verglichen:

• DeepONet (Deep Operator Network): Basierend auf dem Universal Approximation Theorem für Operatoren. Es besteht aus einem BranchNet (kodiert die diskretisierte Eingabefunktion $Q$) und einem TrunkNet (kodiert die Abfrage-Koordinaten $x, \mu$). Das Ergebnis ist das Skalarprodukt beider Vektoren.
• FNO (Fourier Neural Operator): Nutzt Fourier-Transformationen, um die Lösung im Frequenzraum zu approximieren. FNO ist besonders effizient bei der Verarbeitung von Funktionen und ermöglicht "Zero-Shot Super-Resolution" (Bewertung auf feineren Gittern als im Training).

C. Trainingsdaten und Szenarien

• Datengenerierung: Trainingsdaten wurden durch Lösen der NTE mit einer hohen Anzahl von Zufallsfeldern (Gaussian Random Fields, GRF) für die Quellen generiert.
• Streuverhältnisse ($c$): Für jede Architektur wurden drei separate Modelle trainiert, die unterschiedliche physikalische Regime abdecken:
  • $c = 0.1$: Absorptionsdominiert.
  • $c = 0.5$: Ausgewogenes Verhältnis.
  • $c = 1.0$: Streuungsdominiert (rein streuend).
• Integration in Eigenwert-Solver: Die trainierten Modelle wurden in einen $S_N$-Eigenwert-Solver integriert, um die rechenintensive Transport-Sweep-Schleife durch einen einzigen Vorwärtsdurchlauf (Forward Pass) zu ersetzen.

3. Wichtige Ergebnisse

A. Feste Quellen (Fixed Source)

Die Modelle wurden an 6 Testfällen mit variierenden Korrelationslängen der Quellen getestet (sowohl innerhalb als auch außerhalb der Trainingsverteilung).

• Genauigkeit: Der FNO erreichte in allen Szenarien eine höhere Vorhersagegenauigkeit als DeepONet.
  • Für $c=0.1$: FNO-MSE $\approx 10^{-4}$ bis $10^{-5}$, DeepONet-MSE $\approx 10^{-3}$.
  • Der mittlere relative Fehler (MRE) des skalaren Flusses lag für FNO meist unter 0,2 %, während DeepONet Werte bis zu 1,6 % zeigte.
• Effizienz: DeepONet war rechnerisch effizienter als FNO.
  • Laufzeiten lagen bei < 0,3 % der Zeit eines konventionellen $S_N$-Solvers.
  • Der Geschwindigkeitsvorteil nahm mit steigendem Streuverhältnis $c$ zu (bei $c=1.0$ benötigten die Modelle nur noch ~0,1 % der Rechenzeit).
• Generalisierung: Beide Modelle zeigten eine robuste Generalisierungsfähigkeit auf unbekannte Quellkonfigurationen und Korrelationslängen.

B. Eigenwertproblem (k-Eigenvalue)

Die neuronalen Operatoren ersetzten die innere Iterationsschleife im $S_N$-Solver.

• Eigenwerte ($k_{eff}$):
  • FNO: Zeigte Abweichungen von maximal 112 pcm (bei feinem Gitter) gegenüber dem Referenzsolver.
  • DeepONet: Zeigte Abweichungen von maximal 135 pcm.
  • Beide Modelle behielten die korrekte Reihenfolge der Eigenwerte bei verschiedenen Spaltquerschnitten bei.
• Flussverteilung: Der MRE des skalaren Flusses lag für beide Modelle unter 1 %.
• Beschleunigung: Auf feinen Gittern ($J=1000, N=32$) reduzierten beide Solvers die Laufzeit auf < 0,1 % der Zeit des traditionellen $S_N$-Solvers.

4. Signifikanz und Schlussfolgerungen

• Paradigmenwechsel: Die Arbeit demonstriert, dass neuronale Operatoren (DeepONet, FNO) effektive Surrogate für die NTE sein können, die nicht nur punktweise, sondern funktionale Abbildungen lernen. Dies ermöglicht eine Generalisierung auf neue physikalische Szenarien ohne Retraining.
• Trade-off: Es besteht ein klarer Kompromiss zwischen Genauigkeit und Geschwindigkeit: FNO ist genauer, während DeepONet schneller ist.
• Anwendbarkeit: Die drastische Reduktion der Rechenzeit (Faktor > 1000 auf feinen Gittern) macht diese Modelle ideal für:
  • Echtzeit-Anwendungen (Digitale Zwillinge).
  • Optimierungsaufgaben und Unsicherheitsanalysen, die Tausende von Simulationen erfordern.
  • Kopplung mit anderen Physikbereichen (z. B. Thermohydraulik) in Multiphysik-Simulationen.
• Zukunftsperspektive: Die Autoren planen die Erweiterung auf mehrdimensionale Geometrien und die Entwicklung von Modellen, die über einen weiten Bereich von makroskopischen Wirkungsquerschnitten generalisieren, um realistischere Reaktorphysik-Anwendungen zu unterstützen. Zudem könnten diese schnellen Solver die Effizienz von reduzierten Ordnungsmodellen (wie PGD) weiter steigern.

Zusammenfassend stellt diese Studie einen bedeutenden Fortschritt in der Anwendung von Deep Learning auf die Kernphysik dar und beweist, dass neuronale Operatoren eine viable, genaue und extrem effiziente Alternative zu traditionellen Transport-Solvern bieten.