論文の概要: Neural Operator Surrogates for Two-Dimensional Neutron Flux Estimation

• arxiv url: http://arxiv.org/abs/2607.19388v2
• Date: Thu, 23 Jul 2026 03:58:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-27 00:46:13.148708
• Title: Neural Operator Surrogates for Two-Dimensional Neutron Flux Estimation
• Title（参考訳）: 2次元中性子フラックス推定のためのニューラル演算子サロゲート
• Authors: Japan K. Patel, Barry D. Ganapol, Anthony Magliari, Matthew C. Schmidt, Todd A. Wareing,
• Abstract要約: この研究は、我々の1次元シングルスイープニューラルネットワーク研究を2次元に拡張する。 等方散乱を伴う一群輸送を考える。 1次元の研究と同様に、フーリエ神経演算子(FNO)を用いて高忠実度スカラーフラックスを近似する。 本研究では,U字型ニューラル演算子(UNO)についても検討する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This work extends our one-dimensional single-sweep neural-operator studies to two dimensions. We consider one-group transport with isotropic scattering. As in the one-dimensional work, we use Fourier neural operators (FNOs) to approximate the high-fidelity scalar flux. Additionally, we also investigate U-shaped neural operators (UNOs) in this study. We consider three surrogates. The first two map the material and source fields directly to the flux, one using an FNO and one using a UNO. The third is an FNO that additionally takes the scalar flux after one source iteration, the single-sweep approximation, as an input. Each case is solved to high fidelity with a verified discrete-ordinates solver, and an average relative L_2 error norm is used to characterize the quality of the inferred maps. We train every surrogate over three random seeds so that differences between them can be assessed against run-to-run variability. Two questions guide the study: whether the single-sweep input improves accuracy over the direct maps, and whether training on the logarithm of the flux improves accuracy in the strongly attenuated regions relevant to shielding.
• Abstract（参考訳）: この研究は、我々の1次元シングルスイープニューラルネットワーク研究を2次元に拡張する。 等方散乱を伴う一群輸送を考える。 1次元の研究と同様に、フーリエ神経演算子(FNO)を用いて高忠実度スカラーフラックスを近似する。 また,本研究では,U字型ニューラル演算子(UNO)についても検討する。 3つのサロゲートを考えます。 最初の2つは、材料とソースフィールドを直接フラックスにマッピングし、1つはFNO、もう1つはUNOを使用する。 第3のFNOは、1つのソースイテレーションの後にスカラーフラックスを入力として取り込むFNOである。 各ケースは、検証された離散順序解法を用いて高忠実度に解かれ、平均相対的なL_2誤差ノルムを用いて、推定された写像の質を特徴づける。 3つのランダムな種にまたがってすべてのサロゲートをトレーニングし、それらの違いをラン・トゥ・ランの変動に対して評価できるようにします。 シングルスイープ入力が直接地図の精度を向上させるか、フラックスの対数トレーニングが遮蔽に関連する強い減衰領域の精度を向上させるか、という2つの疑問が研究を導く。

関連論文リスト

• Debiased neural operators for estimating functionals [55.79111577184338]
  本稿では,ニューラル演算子から得られる解軌跡の定量化のための半値推定器であるDOPEを紹介する。 DOPEとは対照的に、単純なプラグイン推定は1次バイアスに悩まされる可能性がある。 そこで我々は, ニューラル作用素を関数空間間の高次元ニュアンスマッピングとして扱う新しい一段階, ニーマン直交推定器を導出した。
  論文  参考訳（メタデータ） (2026-04-21T10:02:36Z)
• Surrogate Modeling for Neutron Transport: A Neural Operator Approach [7.289597749952393]
  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。
  論文  参考訳（メタデータ） (2026-02-07T00:56:07Z)
• Diffusion Model-Based Posterior Sampling in Full Waveform Inversion [3.2800968305157205]
  観測記録の後方サンプリングは フィールドスケールでは めったに実用的ではない 提案手法は,拡散型後方サンプリングと同時音源波形インバージョンデータを組み合わせた手法である。 提案手法は, モデル誤差の低減と, 計算コストの大幅な削減を実現する。
  論文  参考訳（メタデータ） (2025-12-14T18:34:12Z)
• On the Wasserstein Convergence and Straightness of Rectified Flow [54.580605276017096]
  Rectified Flow (RF) は、ノイズからデータへの直流軌跡の学習を目的とした生成モデルである。 RFのサンプリング分布とターゲット分布とのワッサーシュタイン距離に関する理論的解析を行った。 本稿では,従来の経験的知見と一致した1-RFの特異性と直線性を保証する一般的な条件について述べる。
  論文  参考訳（メタデータ） (2024-10-19T02:36:11Z)
• Multi-fidelity Bayesian Neural Networks: Algorithms and Applications [0.0]
  本稿では,可変忠実度の雑音データを用いて訓練できるベイズ型ニューラルネットワーク(BNN)を提案する。 関数近似の学習や、偏微分方程式(PDE)に基づく逆問題の解法に応用する。
  論文  参考訳（メタデータ） (2020-12-19T02:03:53Z)

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。