[Paper] 进化式发现用于板层几何中子输运的序列加速方法

Source: arXiv - 2512.24559v1

概述

来自中子‑输运社区的研究团队应用了 genetic programming——一种“培育”计算机程序的进化算法——自动发明用于板层几何中离散方向 (S_N) 中子输运计算的新型收敛‑加速公式。通过让算法在庞大的数学表达式空间中进行探索，他们发现的加速器在一套具有代表性的输运问题上优于经典的手工方法，如 Aitken’s Δ² 和 Wynn’s ε‑algorithm。

关键贡献

• 自动化发现管线：设计了一种遗传编程框架，直接从原始迭代数据中演化出符号加速公式。
• 新型加速器：发现了一种紧凑表达式，涉及二阶差分和叉乘项，在 >75 % 的测试案例中提升了收敛性——大约是传统加速器成功率的两倍。
• 基准套件：创建了一套多样化的板几何中子输运问题（包括不同的散射比、源项和角度离散），以严格评估经典方法和进化方法。
• 实验数学的概念验证：证明了进化搜索能够生成有用的数值算法，为其他计算物理领域的类似发现打开了道路。

方法论

1. 问题表述：作者使用 S_N 离散方向法求解一系列一维板几何中子输运方程，生成标量通量迭代序列，在许多配置下收敛缓慢。
2. 遗传编程 (GP) 设置：
   • 终端集合：原始迭代值、一阶和二阶差分，以及基本算术运算符。
   • 函数集合：+、–、×、÷，以及有限的非线性函数（例如平方、绝对值）。
   • 适应度指标：使用候选加速器所需迭代次数与未加速序列达到规定容差的迭代次数之比。适应度越高表示额外迭代次数越少。
3. 进化循环：随机生成的候选公式（个体）在基准套件上进行评估，选出表现最佳的个体进行选择、交叉（重组）和变异，以产生下一代。该过程持续数百代，直至适应度收敛。
4. 后处理：对表现最好的公式进行解析简化，并在留出的问题集上测试，以验证其泛化能力。

结果与发现

• 进化加速器（一种使用二阶差分和叉乘项的简洁表达式）在 75 % 的测试问题中实现了 收敛性提升，相较于 Aitken 的 Δ²（约 40 %）和 Wynn 的 ε（约 35 %）表现更佳。
• 在成功的案例中，新方法平均将所需迭代次数降低了 30–50 %，从而带来显著的运行时间节省。
• GP‑derived 公式在一系列散射比（从高度吸收介质到高度散射介质）和角度配点（S_4 至 S_16）下表现出 鲁棒性。
• 值得注意的是，发现的加速器 不依赖 对线性收敛的假设；它会根据迭代序列中实际观察到的曲率进行自适应，从而解释了其更广泛的适用性。

实际意义

• 更快的输运模拟：对于确定性中子输运代码的开发者（例如 MCNP‑DET、PARTISN，或自定义 S_N 求解器），将新加速器嵌入后可以缩短实际运行时间，尤其是在需要反复求解大量板状子问题的大规模堆或屏蔽分析中。
• 降低手动调参需求：传统加速器往往需要针对具体问题的参数选择。GP 推导的公式是“开箱即用”，降低了新用户的专业门槛。
• 可扩展框架：相同的进化管线可以重新用于其他几何形状（圆柱、球形）或不同的迭代求解器（例如 Krylov 方法、热工水力学中的源迭代）。
• 开源潜力：如果作者发布 GP 代码和基准套件，社区可以协同进化出更复杂的加速器，甚至结合机器学习的代理模型。

限制与未来工作

• 仅限于板层几何：当前研究未涉及多维传输问题，在这些问题中空间耦合可能会改变收敛行为。
• 符号复杂度上限：为保持公式可解释性，遗传编程被限制在相对简单的算子上；更丰富的函数集合（例如三角函数或指数项）可能产生更强的加速器，但会牺牲可读性。
• 发现过程的计算成本：进化公式需要大量 CPU 时间（数百核时）。虽然这是一次性支出，但将该方法扩展到更高维度问题时，需要更高效的搜索策略。
• 对噪声数据的鲁棒性：该方法假设迭代序列是干净的；实际代码中引入的舍入误差或随机噪声可能影响加速器的性能。未来工作可以整合抗噪声的适应度度量。

作者

• Japan K. Patel
• Barry D. Ganapol
• Anthony Magliari
• Matthew C. Schmidt
• Todd A. Wareing

论文信息

• arXiv ID: 2512.24559v1
• 分类: cs.NE
• 出版日期: 2025年12月31日
• PDF: 下载 PDF