强化学习在中子输运临界问题多群能群网格优化中的应用
计算物理
2026-05-28 v1
摘要
能群结构的优化对于确保多群中子输运计算的准确性至关重要。本文介绍了使用强化学习(RL)结合代理模型来优化一维球形k-临界问题的能群结构。近端策略优化(PPO) RL算法被修改以适用于能群网格结构，奖励准确的能群结构，同时倾向于更少的能群。该方法从一个高保真能群网格开始，移除能群边界，直到达到目标能群结构。RL智能体识别哪些边界对最终能群结构是重要的，这防止了其陷入局部最小值，同时不限制初始能群结构。使用结合了能量、材料和空间信息的神经网络代理模型来评估能群网格结构，而无需进行完整的输运模拟。这减轻了其他能群结构优化问题中常见的计算约束，并加速了RL训练过程。应用于Godiva和BeRP球问题，RL构建的能群结构优于常用的能群结构。RL能群结构优化方法还被证明与层次凝聚方法性能相似，但提供了更大的灵活性。
引用
@article{arxiv.2605.27895,
title = {Application of Reinforcement Learning for Multigroup Energy Grid Optimization for Neutron Transport Criticality Problems},
author = {Ben Whewell and Nathan Gibson and Ajeeta Khatiwada},
journal= {arXiv preprint arXiv:2605.27895},
year = {2026}
}