Neurale Operatoren beschleunigen Neutronentransport – neue Surrogatmodelle

In einer bahnbrechenden Studie wurden zwei moderne neuronale Operatoren – der Deep Operator Network (DeepONet) und der Fourier Neural Operator (FNO) – als Surrogatmodelle für die Neutronentransportrechnung vorgestellt. Durch das Training auf festen Quellproblemen lernten die Modelle die komplexe Abbildung von anisotropen Neutronenquellen Q(x, μ) auf die entsprechenden Winkelströme ψ(x, μ) in einer eindimensionalen Schichtgeometrie.

Für jeden Operator wurden drei Varianten entwickelt, die unterschiedliche Streuungsquotienten (c = 0,1; 0,5; 1,0) abdecken. Diese Vielfalt ermöglicht einen tiefen Einblick in die Leistungsfähigkeit der Modelle über verschiedene Transportregime hinweg – von absorbitionsdominierten über moderate bis hin zu streuungsdominierten Szenarien.

Bei der Evaluierung mit bislang unbekannten Quellkonfigurationen zeigte sich, dass der FNO im Allgemeinen eine höhere Vorhersagegenauigkeit erzielt, während DeepONet durch seine höhere Rechenleistung punktet. Beide Modelle erzielten beeindruckende Geschwindigkeitssteigerungen: Sie benötigen weniger als 0,3 % der Laufzeit eines herkömmlichen S_N‑Solvers.

Ein weiterer Meilenstein war die Integration der Surrogatmodelle in den S_N‑k‑Eigenwertsolver. Durch den Ersatz der aufwändigen Transport‑Sweep‑Schleife durch einen einzigen Forward‑Pass konnten die Modelle die Eigenwerte mit Abweichungen von höchstens 135 pcm (DeepONet) bzw. 112 pcm (FNO) reproduzieren. Gleichzeitig wurde die Laufzeit auf weniger als 0,1 % der des klassischen S_N‑Solvers reduziert – insbesondere bei feinen räumlich‑winkelmäßigen Gittern.

Diese Ergebnisse unterstreichen das enorme Potenzial neuronaler Operatoren, die Neutronentransportrechnung nicht nur zu beschleunigen, sondern auch die Genauigkeit in anspruchsvollen Kernphysik‑Anwendungen zu erhalten.