Badacze rozszerzyliswoje wcześniejsze prace nad operatorami neuronowymi z jednego wymiaru na dwuwymiarową przestrzeń, pracując z transportem jednoenergetycznym i izotropowym rozpraszaniem. W badaniu przetestowali trzy architektury: Fourier neural operators (FNO) i U-shaped neural operators (UNO) mapujące bezpośrednio pola materiałów i źródeł na strumień neutronów, oraz zaawansowany FNO przyjmujący dodatkowo dane ze wstępnego przybliżenia single-sweep.
Każdy model nauczono na trzech niezależnych instanceach, aby wiarygodnie ocenić różnice między architekturami. Do weryfikacji użyto solver discrete-ordinates wysokiej dokładności, a jakość mapowania oceniano średnim błędem względnym L_2. Główne pytania badawcze dotyczyły tego, czy input z pojedynczego przejścia poprawia dokładność w stosunku do map bezpośrednich, oraz czy trenowanie na logarytmie strumienia poprawia predykcje w regionach silnego osłabienia istotnych dla osłonowienia radiacyjnego.
Ta praca ma praktyczne znaczenie dla przyśpieszenia iteracyjnych obliczeń jądrowych, które tradycyjnie wymagają dużych nakładów obliczeniowych. Neural operator surrogates mogą działać jako szybkie aproksymatory w pętlach optymalizacyjnych lub kontrolnych reaktorów, a zastosowanie do dwóch wymiarów przybliża modele do rzeczywistych scenariuszy inżynieryjnych. Wyniki mogą zostać rozszerzone do trzech wymiarów i bardziej złożonych zjawisk transportu.