Surrogate Modeling for Neutron Transport: A Neural Operator Approach

Dit onderzoek introduceert een op neurale operatoren gebaseerd surrogaatmodel voor neutronentransport dat, met name via de Fourier Neural Operator (FNO), aanzienlijke snelheidswinst biedt ten opzichte van traditionele S_N-oplossers terwijl het nauwkeurige resultaten behoudt voor zowel vaste bronproblemen als k-eigenwaardeberekeningen.

De kern

🚀 De "Super-Snelheids-Bril" voor Kernreactoren

Stel je voor dat je een gigantische, complexe puzzel moet oplossen: hoe bewegen neutronen (deeltjes die kernreacties aandrijven) zich door een kernreactor? Dit is cruciaal voor het veilig ontwerpen van energiecentrales.

Helaas is het oplossen van deze puzzel met traditionele methoden als een uurwerk maken met een hamer. Het werkt, het is nauwkeurig, maar het kost ontzettend veel tijd en energie. Voor ingenieurs die honderden ontwerpen moeten testen of voor digitale tweelingen (virtuele kopieën van echte centrales) die in echt moeten reageren, is dit veel te traag.

De auteurs van dit paper hebben een nieuwe oplossing bedacht: Neurale Operators. Denk hierbij niet aan een simpele rekenmachine, maar aan een super-intelligente voorspeller die de onderliggende "wiskundige wetten" van de neutronen heeft geleerd, in plaats van ze elke keer opnieuw uit te rekenen.

🧠 Twee Nieuwe "Super-Geesten"

De onderzoekers hebben twee verschillende soorten AI-modellen getraind om deze taak over te nemen:

1. DeepONet (De Snelle Sprinter):

   • Hoe het werkt: Stel je voor dat je een chef-kok bent die een gerecht moet maken. DeepONet heeft twee teams: één team dat de ingrediënten (de bron van neutronen) analyseert, en een ander team dat de kooktechniek (de ruimte en hoek) kent. Ze werken samen om het eindresultaat te voorspellen.
   • Sterk punt: Het is extreem snel. Het is als een sprinter die de finish haalt voordat de andere renners zelfs maar hun schoenen hebben gebonden.
   • Zwak punt: Het is soms iets minder precies dan de andere, maar voor de meeste toepassingen nog steeds heel goed.

2. FNO (De Precieze Architect):

   • Hoe het werkt: Deze kijkt naar het hele plaatje tegelijk, alsof je een foto van een stad bekijkt en direct ziet hoe de wind erdoor waait, in plaats van elke straat apart te bekijken. Het gebruikt een wiskundige truc (Fourier-transformatie) om patronen in de data te zien die andere modellen missen.
   • Sterk punt: Het is super-nauwkeurig. Het ziet de kleinste details en maakt de minste fouten.
   • Zwak punt: Het is iets trager dan DeepONet, maar nog steeds duizend keer sneller dan de oude methoden.

🎯 Wat hebben ze getest?

Ze hebben deze modellen getraind op een simpele, rechte "plank" (een 1D-slab) met neutronen. Ze hebben drie scenario's getest:

• Scenario A (Absorptie): De neutronen worden snel opgevangen (als een spons die water opzuigt).
• Scenario B (Gemengd): Een balans tussen opvangen en stuiteren.
• Scenario C (Stuiterend): De neutronen stuiteren overal tegen elkaar (als biljartballen in een kist).

Het verrassende resultaat:
Zelfs als ze de modellen testten op situaties die ze nooit eerder hadden gezien (bijvoorbeeld met andere patronen van neutronenbronnen), werkten ze nog steeds perfect.

• FNO gaf de meest nauwkeurige antwoorden (foutmarge van minder dan 1%).
• DeepONet was de snelste (soms 10 tot 100 keer sneller dan de traditionele methode).

⚡ De "Magische" Versnelling

Hier komt het echte wonder:
In de traditionele wereld duurt het berekenen van hoe neutronen zich gedragen minuten of uren. Met deze nieuwe AI-modellen duurt het minder dan 0,1% van die tijd.

• Als de oude methode 100 uur zou kosten, doet de nieuwe AI het in 6 minuten.
• En dat is niet alleen voor simpele vragen, maar ook voor complexe vragen over de snelheid van een kernreactor (de eigenwaarde-problemen).

🌍 Waarom is dit belangrijk?

Stel je voor dat je een auto ontwerpt. Vroeger moest je voor elk nieuw ontwerp een nieuw prototype bouwen en crash-testen (duur en langzaam). Met deze nieuwe "Neurale Operators" kun je duizenden ontwerpen in een seconde testen op een computer.

Dit opent de deur voor:

1. Veiligere kerncentrales: Omdat we veel meer scenario's kunnen testen in minder tijd.
2. Digitale Tweelingen: Een virtuele kopie van een echte reactor die in real-time meedenkt met de bediening, zodat we direct kunnen reageren op veranderingen.
3. Snellere Ontwikkeling: Ingenieurs kunnen ontwerpen optimaliseren zonder maanden te wachten op berekeningen.

🏁 Conclusie

Kortom: De onderzoekers hebben twee nieuwe "super-geesten" (DeepONet en FNO) gecreëerd die de complexe taal van neutronen spreken. Ze zijn niet alleen snel, maar ook slim genoeg om zich aan te passen aan nieuwe situaties zonder opnieuw te hoeven studeren. Dit is een enorme stap voorwaarts om kernenergie veiliger en efficiënter te maken, en het bewijst dat AI de toekomst van wetenschappelijke simulaties is.

Technische samenvatting

Titel: Surrogaatmodellering voor Neutrontransport: Een Benadering op Basis van Neurale Operatoren

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

---

1. Probleemstelling

De nauwkeurige beschrijving van neutrongedrag in ruimte, hoek en energie is essentieel voor reactorontwerp, kritischheidveiligheid en multiphysica-analyses. Deze processen worden geregeerd door de neutrontvergelijking (NTE). Hoewel deterministische (zoals $S_N$-methodes) en Monte Carlo-oplossers zeer nauwkeurige resultaten kunnen leveren, zijn ze computatieel zeer kostbaar. Dit vormt een grote beperking voor toepassingen die snelle of herhaalde evaluaties vereisen, zoals optimalisatiestudies, onzekerheidskwantificering en digitale twins (waarbij real-time voorspellingen nodig zijn).

Bestaande machinelearning-methoden, zoals Physics-Informed Neural Networks (PINNs), hebben vaak moeite met generalisatie naar onbekende scenario's of vereisen volledige hertraining bij wijzigingen in de fysische configuratie. Er is dus behoefte aan een efficiëntere, generaliseerbare benadering om hoogwaardige transportoplossingen tegen lagere kosten te verkrijgen.

2. Methodologie

De auteurs introduceren een raamwerk voor surrogaatmodellering gebaseerd op Neurale Operatoren. In tegenstelling tot traditionele neurale netwerken die discrete punt-tot-punt relaties leren, leren neurale operatoren continue functie-naar-functie-mappingen. Dit stelt hen in staat om de onderliggende operator van partiële differentiaalvergelijkingen (PDE's) te benaderen, waardoor ze beter generaliseren naar ongezette invoerconfiguraties zonder hertraining.

De studie focust op een een-dimensionale slab-geometrie (10 cm lang) met vacuümrandvoorwaarden. Twee specifieke architecturen worden getraind en vergeleken:

1. Deep Operator Network (DeepONet):
   • Gebaseerd op de Universele Benaderingstheorema voor Operatoren.
   • Bestaat uit twee sub-netwerken: een BranchNet (encodeert de ingangsfunctie, de anisotrope bron $Q(x, \mu)$) en een TrunkNet (maakt een mapping van de query-coördinaten $(x, \mu)$).
   • De voorspelling is het inproduct van deze twee vectoren.
2. Fourier Neural Operator (FNO):
   • Een data-gedreven benadering die Fourier-transformaties gebruikt om de oplossing in de frequentieruimte te berekenen.
   • Het model lift de ingangsbron naar een latente ruimte, doorloopt een reeks Fourier-lagen (waarbij FFT en learnable lineaire lagen worden gebruikt) en projecteert het resultaat terug naar de ruimtelijke domein.
   • Een belangrijk voordeel is de mogelijkheid tot zero-shot super-resolution, wat betekent dat modellen getraind op grove netten kunnen worden toegepast op fijnere netten zonder hertraining.

Trainingsdata en Configuraties:

• Invoer: Anisotrope neutronenbronnen $Q(x, \mu)$ gegenereerd via Gaussische Random Fields (GRF).
• Doel: De bijbehorende hoekflux $\psi(x, \mu)$.
• Scenario's: Drie aparte modellen werden getraind voor elke architectuur, corresponderend met verschillende verstrooiingsverhoudingen ($c = \Sigma_s / \Sigma_t$):
  • $c = 0.1$: Absorptie-gedomineerd.
  • $c = 0.5$: Gemiddelde balans tussen absorptie en verstrooiing.
  • $c = 1.0$: Zuiver verstrooiend regime.
• De modellen werden getraind op datasets gegenereerd door een hoge-fideliteit $S_N$-oplosser.

Toepassing op Eigenwaardeproblemen:
Naast het vaste bronprobleem, werden de getrainde modellen geïntegreerd in een k-eigenwaarde-oplosser. In plaats van de computatieel intensieve transport-sweep-lus in elke macht-iteratie uit te voeren, voert het neurale operator-model de fluxvoorspelling direct uit (één forward pass).

3. Belangrijkste Bijdragen

• Uitbreiding naar Anisotrope Bronnen: Terwijl eerdere werken zich richtten op isotrope bronnen, breiden deze auteurs de methodologie uit naar anisotrope bronnen $Q(x, \mu)$ en hoekflux $\psi(x, \mu)$.
• Vergelijking van Architecturen: Een uitgebreide vergelijking tussen DeepONet en FNO over verschillende transportregimes (verschillende $c$-waarden).
• Generalisatie: Demonstratie van het vermogen van de modellen om te generaliseren naar ongezette bronconfiguraties (verschillende correlatielengtes) en fijnere ruimtelijke/hoekige discretisaties dan gebruikt tijdens het trainen.
• Integratie in Eigenwaarde-oplossers: Het vervangen van de traditionele transport-sweep door neurale operatoren in een k-eigenwaarde-context, wat een aanzienlijke versnelling mogelijk maakt.

4. Resultaten

A. Vaste Bronproblemen

De modellen werden getest op zes verschillende anisotrope bronconfiguraties en een reeks continue parameters.

• Nauwkeurigheid:
  • FNO boekte over het algemeen de hoogste voorspellende nauwkeurigheid (laagste MSE voor hoekflux en laagste MRE voor scalar flux). Voor $c=0.1$ was de MRE van FNO < 0.2%, terwijl DeepONet rond de 1.6% lag.
  • DeepONet toonde iets hogere fouten maar bleef binnen acceptabele grenzen voor de meeste toepassingen.
• Efficiëntie:
  • Beide modellen boekten enorme snelheidswinsten ten opzichte van de traditionele $S_N$-oplosser.
  • DeepONet was de snelste, met een runtime van < 0.3% van de traditionele solver (en zelfs < 0.1% op fijnere netten).
  • FNO was iets langzamer dan DeepONet maar sneller dan de traditionele solver (rond 5-12% van de runtime, afhankelijk van $c$).
• Generalisatie: De modellen behielden een lage foutmarge zelfs wanneer ze werden getest op bronnen met correlatielengtes die afweken van de trainingsdata.

B. Eigenwaardeproblemen (k-eigenwaarde)

De modellen werden gebruikt om de $k_{eff}$ (effectieve vermenigvuldigingsfactor) te berekenen.

• Nauwkeurigheid:
  • Beide solvers reproduceerden de referentie-eigenwaarden met hoge nauwkeurigheid.
  • Afwijkingen lagen tussen -135 pcm en +112 pcm (1 pcm = $10^{-5}$).
  • FNO toonde over het algemeen kleinere afwijkingen (bijv. -34 pcm tot +112 pcm) dan DeepONet (-92 pcm tot -135 pcm).
  • Opmerkelijk is dat de modellen goed generaliseerden naar fijnere netten ($J=1000$) die niet in de training waren gebruikt.
• Efficiëntie:
  • De runtime werd gereduceerd tot < 0.1% van de traditionele $S_N$-solver op fijnere netten.
  • Dit maakt real-time evaluaties en herhaalde analyses voor ontwerpoptimalisatie haalbaar.

5. Betekenis en Conclusie

De studie toont aan dat neurale operatoren (DeepONet en FNO) krachtige, accurate en generaliseerbare surrogaatmodellen zijn voor neutronentransportproblemen.

• Complementaire Sterktes: FNO biedt over het algemeen de beste nauwkeurigheid, terwijl DeepONet de hoogste computationele efficiëntie biedt. De keuze hangt af van de specifieke prioriteit van de toepassing (precisie vs. snelheid).
• Toekomstperspectief: Deze technologie opent de deur voor real-time digitale twins van kernreactoren en versnelt aanzienlijk complexe multiphysica-simulaties (koppeling van neutronica met thermohydraulica).
• Schaalbaarheid: De resultaten suggereren dat deze methoden kunnen worden uitgebreid naar hogere dimensies en complexere kruissecties, wat essentieel is voor realistische reactorfysica-toepassingen.

Samenvattend bieden deze neurale operator-frameworks een oplossing voor het langdurige probleem van de hoge rekentijd in neutronentransport, zonder in te leveren op de nauwkeurigheid die nodig is voor veiligheidskritieke toepassingen.