論文の概要: Surrogate Modeling for Neutron Transport: A Neural Operator Approach

• arxiv url: http://arxiv.org/abs/2602.15890v1
• Date: Sat, 07 Feb 2026 00:56:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-23 12:01:13.69292
• Title: Surrogate Modeling for Neutron Transport: A Neural Operator Approach
• Title（参考訳）: 中性子輸送のためのサロゲートモデリング:ニューラル演算子アプローチ
• Authors: Md Hossain Sahadath, Qiyun Cheng, Shaowu Pan, Wei Ji,
• Abstract要約: この研究は、中性子輸送計算のためのニューラルネットワークに基づく代理モデリングフレームワークを導入する。 Deep Operator Network (DeepONet) と Fourier Neural Operator (FNO) の2つのアーキテクチャが、固定ソース問題のために訓練された。 両神経オペレーターは、DeepONetで135 pcm、FNOで112 pcmまでずれた基準固有値を再現した。
• 参考スコア（独自算出の注目度）: 7.289597749952393
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: This work introduces a neural operator based surrogate modeling framework for neutron transport computation. Two architectures, the Deep Operator Network (DeepONet) and the Fourier Neural Operator (FNO), were trained for fixed source problems to learn the mapping from anisotropic neutron sources, Q(x,μ), to the corresponding angular fluxes, ψ(x,μ), in a one-dimensional slab geometry. Three distinct models were trained for each neural operator, corresponding to different scattering ratios (c = 0.1, 0.5, & 1.0), providing insight into their performance across distinct transport regimes (absorption-dominated, moderate, and scattering-dominated). The models were subsequently evaluated on a wide range of previously unseen source configurations, demonstrating that FNO generally achieves higher predictive accuracy, while DeepONet offers greater computational efficiency. Both models offered significant speedups that become increasingly pronounced as the scattering ratio increases, requiring <0.3% of the runtime of a conventional S_N solver. The surrogate models were further incorporated into the S_N k-eigenvalue solver, replacing the computationally intensive transport sweep loop with a single forward pass. Across varying fission cross sections and spatial-angular grids, both neural operator solvers reproduced reference eigenvalues with deviations up to 135 pcm for DeepONet and 112 pcm for FNO, while reducing runtime to <0.1% of that of the S_N solver on relatively fine grids. These results demonstrate the strong potential of neural operator frameworks as accurate, efficient, and generalizable surrogates for neutron transport, paving the way for real-time digital twin applications and repeated evaluations, such as in design optimization.
• Abstract（参考訳）: この研究は、中性子輸送計算のためのニューラルネットワークに基づく代理モデリングフレームワークを導入する。 2つのアーキテクチャ、ディープ・オペレーター・ネットワーク(DeepONet)とフーリエ・ニューラル・オペレータ(FNO)は、1次元スラブ幾何学において異方性中性子源Q(x,μ)から対応する角流束e(x,μ)への写像を学習するために固定音源問題のために訓練された。 3つの異なるモデルがそれぞれ異なる散乱比(c = 0.1, 0.5, & 1.0)に対応して訓練され、異なる輸送機構(吸収支配、中性、散乱支配)でそれらの性能について考察した。 その後、FNOは一般に高い予測精度を達成し、DeepONetはより高い計算効率を提供することを示した。 どちらのモデルも、散乱比が増加するにつれて顕著なスピードアップを示し、従来のS_Nソルバのランタイムの0.3%を必要とした。 代理モデルはさらにS_N k-固有値解法に組み込まれ、計算集約輸送スイープループを1つの前方パスに置き換えた。 異なるフィッション断面と空間角格子にまたがって、ニューラル作用素ソルバは、DeepONetが135 pcm、FNOが112 pcmまでずれた参照固有値を再現すると同時に、比較的細い格子上でS_Nソルバの0.1%までランタイムを低減した。 これらの結果は、中性子輸送のための精度、効率、一般化可能なサロゲートとして神経オペレーターフレームワークの強い可能性を示し、リアルタイムディジタルツイン応用への道を開いたり、設計最適化のような繰り返し評価を行ったりした。

関連論文リスト

• Structure-Informed Estimation for Pilot-Limited MIMO Channels via Tensor Decomposition [51.56484100374058]
  本稿では、スパース観測から低ランクテンソル完備化としてパイロットリミテッドチャネル推定を定式化する。 合成チャネル実験による最小二乗平均二乗誤差(NMSE)の最小二乗平均誤差(LS)に対する改善 DeepMIMO線トレーシングチャネルの評価では、純粋なテンソル法よりも24-44%NMSEが減少している。
  論文  参考訳（メタデータ） (2026-02-03T23:38:05Z)
• Fast and Generalizable parameter-embedded Neural Operators for Lithium-Ion Battery Simulation [1.099532646524593]
  我々は,Deep Operator Networks (DeepONets), Fourier Neural Operators (FNOs), and a new proposed parameter-embedded Fourier Neural Operator (PE-FNO)の3つの演算子学習サロゲートをベンチマークした。 DeepONetは、一定の動作を正確に再現するが、よりダイナミックな負荷に対処する。FNOはメッシュ不変性を維持し、濃度誤差を1%以下に抑え、すべての負荷タイプで1.7mV以下の電圧平均絶対誤差を発生させる。PE-FNOは16スレッドのSPMソルバよりも約200倍高速に実行される。
  論文  参考訳（メタデータ） (2025-08-11T15:31:23Z)
• STONet: A neural operator for modeling solute transport in micro-cracked reservoirs [0.49998148477760973]
  マイクロクラック多孔質媒体の汚染物質輸送を効率的にモデル化する新しいニューラル演算子であるソルトトランスポート・オペレーターネットワーク(STONet)を導入する。 数値実験により,STONetの精度はFEMシミュレーションと比較して1%以下であることがわかった。
  論文  参考訳（メタデータ） (2024-12-07T07:53:47Z)
• Integrating Neural Operators with Diffusion Models Improves Spectral Representation in Turbulence Modeling [3.9134883314626876]
  我々は、乱流の代理モデリングにおいて、ニューラル演算子のスペクトル制限に対処するために、拡散モデルとニューラル演算子を統合する。 我々のアプローチは、多様なデータセット上で異なるニューラル演算子に対して検証されている。 この研究は、生成モデルとニューラル演算子を組み合わせるための新しいパラダイムを確立し、乱流系の代理モデリングを前進させる。
  論文  参考訳（メタデータ） (2024-09-13T02:07:20Z)
• Enhancing lattice kinetic schemes for fluid dynamics with Lattice-Equivariant Neural Networks [79.16635054977068]
  我々はLattice-Equivariant Neural Networks (LENNs)と呼ばれる新しい同変ニューラルネットワークのクラスを提案する。 我々の手法は、ニューラルネットワークに基づく代理モデルLattice Boltzmann衝突作用素の学習を目的とした、最近導入されたフレームワーク内で開発されている。 本研究は,実世界のシミュレーションにおける機械学習強化Lattice Boltzmann CFDの実用化に向けて展開する。
  論文  参考訳（メタデータ） (2024-05-22T17:23:15Z)
• Geometry-Informed Neural Operator for Large-Scale 3D PDEs [76.06115572844882]
  大規模偏微分方程式の解演算子を学習するために,幾何インフォームド・ニューラル演算子(GINO)を提案する。 我々はGINOを訓練し、わずか500点のデータポイントで車両表面の圧力を予測することに成功した。
  論文  参考訳（メタデータ） (2023-09-01T16:59:21Z)
• Fast Sampling of Diffusion Models via Operator Learning [74.37531458470086]
  我々は,拡散モデルのサンプリング過程を高速化するために,確率フロー微分方程式の効率的な解法であるニューラル演算子を用いる。 シーケンシャルな性質を持つ他の高速サンプリング手法と比較して、並列復号法を最初に提案する。 本稿では,CIFAR-10では3.78、ImageNet-64では7.83の最先端FIDを1モデル評価環境で達成することを示す。
  論文  参考訳（メタデータ） (2022-11-24T07:30:27Z)
• Truncated tensor Schatten p-norm based approach for spatiotemporal traffic data imputation with complicated missing patterns [77.34726150561087]
  本研究は, モード駆動繊維による3症例の欠失を含む, 4症例の欠失パターンについて紹介する。 本モデルでは, 目的関数の非性にもかかわらず, 乗算器の交互データ演算法を統合することにより, 最適解を導出する。
  論文  参考訳（メタデータ） (2022-05-19T08:37:56Z)
• Physics-aware deep neural networks for surrogate modeling of turbulent natural convection [0.0]
  Rayleigh-B'enard乱流流に対するPINNのサーロゲートモデルの使用を検討する。 標準ピンの精度が低いゾーンであるトレーニング境界に近い正規化として、どのように機能するかを示す。 50億のDNS座標全体のサロゲートの予測精度は、相対的なL2ノルムで[0.3% -- 4%]の範囲のすべてのフロー変数のエラーをもたらします。
  論文  参考訳（メタデータ） (2021-03-05T09:48:57Z)
• Provably Efficient Neural Estimation of Structural Equation Model: An Adversarial Approach [144.21892195917758]
  一般化構造方程式モデル(SEM)のクラスにおける推定について検討する。 線形作用素方程式をmin-maxゲームとして定式化し、ニューラルネットワーク(NN)でパラメータ化し、勾配勾配を用いてニューラルネットワークのパラメータを学習する。 提案手法は,サンプル分割を必要とせず,確固とした収束性を持つNNをベースとしたSEMの抽出可能な推定手順を初めて提供する。
  論文  参考訳（メタデータ） (2020-07-02T17:55:47Z)
• Communication-Efficient Distributed Stochastic AUC Maximization with Deep Neural Networks [50.42141893913188]
  本稿では,ニューラルネットワークを用いた大規模AUCのための分散変数について検討する。 我々のモデルは通信ラウンドをはるかに少なくし、理論上はまだ多くの通信ラウンドを必要としています。 いくつかのデータセットに対する実験は、我々の理論の有効性を示し、我々の理論を裏付けるものである。
  論文  参考訳（メタデータ） (2020-05-05T18:08:23Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。