借助 AI 物理加速简洁、模块化的核反应堆设计

开发社会可接受的核反应堆需要安全、清洁、高效、经济和可持续。满足这些要求需要新的方法，这促使人们对小型模块化反应堆 (SMR) 和 IV 代反应堆设计的兴趣与日俱增。

SMR 旨在通过标准化设计和将施工转移到受控制造环境来改善项目经济性，而第四代反应堆则通过更好地管理超晶工艺、减少放射性毒性和废弃物的使用寿命来应对基本的燃料循环挑战。这些方法共同为实现更安全、更清洁、更可持续的核能提供了可靠的路线图。

但是，验证新设计存在重大挑战。由于物理实验的费用、时间限制和固有复杂性，数值模拟是设计核反应堆的基础。然而，这些模拟的高昂计算成本往往会在设计过程中造成重大瓶颈，从而减缓创新的步伐。

为解决这一问题，核工程师正在开发数字孪生，以模拟、测试和优化复杂的反应堆系统和燃料循环，而所需的成本和时间远低于完整原型所需的成本和时间。NVIDIA CUDA-X 库、PhysicsNeMo AI Physics 框架和 Omniverse 库可为实时数字孪生提供 GPU 加速的 AI 增强仿真解决方案，帮助核工业开发者应对这些挑战。这些功能使工程师能够探索创新设计，严格评估安全性，并加速向更清洁、更高效的核技术过渡。

AI 增强型核反应堆模拟和设计

本节概述了利用 AI 代理模型的速度构建交互式核反应堆数字孪生的模块化参考工作流。构建交互式数字孪生需要一种全栈方法，下面的参考工作流在每个阶段都利用了 NVIDIA 加速计算堆栈的元素。

• 数据生成：运行高保真反应堆/ 多物理场模拟 (理想情况下是 GPU 加速) 以生成训练数据。
• 数据预处理：使用 PhysicsNeMo Curator 整理几何图形和字段，并将其转换为 GPU 就绪型训练数据集。
• 模型训练：使用 PhysicsNeMo 在多个 GPU 上训练代理模型。
• 推理和部署：通过 API 为替代模型提供服务，以实现与交互式数字孪生的集成。
• 下游工作流：在下游设计任务 (例如优化和不确定性量化工作流) 中采用替代模型。

虽然上述工作流程提供了重要的背景信息，但本指南的其余部分主要侧重于模型训练阶段，以及对预测完整空间场的替代模型的需求，重点是反应堆物理特性。相同的工作流程可以轻松适应核反应堆设计中的其他重要领域，例如 CFD 和结构分析。

构建针脚电池的 AI 替代模型

燃料针脚电池 (或简写为针脚电池) 是核反应堆堆芯建模和模拟中使用的基本重复单元 (见下文图 1) 。

标准针脚电池由一个燃料球团 (通常是二氧化氮) 、一个提供机械和化学保护的包覆层以及周围的慢化剂组成 (见下文图 2) 。它提供了一个简化但具有物理代表性的模型，用于在后续的组装级和全核分析之前解析局部中子传输和磁通量分布。

典型的反应堆堆芯大约包含 50000 个燃料针，这使得以显式针孔分辨率进行全核模拟在计算上难以实现。因此，反应堆分析依赖于多尺度方法，在这种方法中，精细尺度传输物理被压缩为有效参数 (尤其是均质化的横截面) ，这些参数可用于粗网格核心模拟器，同时保持反应速率。

在多尺度反应堆分析中，精确的堆芯模拟取决于生成的均质横截面 \(\Sigma_{homog}\)，该横截面可在全核模拟器的粗网格元素中保留反应速率。这是通过光通量加权平均值计算得出的：

\(\large \Sigma_{homog} = \frac{\int_{V} \Sigma(\mathbf{r}) \phi(\mathbf{r}) \, dV}{\int_{V} \phi(\mathbf{r}) \, dV} = \frac{\text{Total Reaction Rate}}{\text{Total Flux}}\)

其中 \(\Sigma(\mathbf{r})\) 代表空间宏观横截面分布，取决于局部材料成分和中子能量频谱，\(\phi(\mathbf{r})\) 代表中子通量分布，充当空间权重函数。

标准体积加权平均值是不够的，因为它忽略了空间自屏蔽，即中子群在高吸收燃料区域内被抑制的现象。因此，确定正确的 \(\Sigma_{homog}\) 需要同时了解精确的中子通量场 \(\phi(\mathbf{r})\) 和宏观横截面场 \(\Sigma(\mathbf{r})\)。

通常，要获得 \(\phi(\mathbf{r})\) 和 \(\Sigma(\mathbf{r})\)，需要使用高保真蒙特卡罗法求解中子传输方程。此过程的计算成本高昂，并且无法进行深度设计空间探索。我们通过训练替代模型来直接从几何图形和燃料富集中联合预测 \(\phi(\mathbf{r})\) 和 \(\Sigma(\mathbf{r})\)，从而绕过昂贵的传输求解。

我们证明，通过共同预测空间分辨率的通量和横截面，然后根据这些预测场计算同质化横截面，与将一组标量输入直接映射到同质化横截面的标准回归模型相比，实现了更高的准确性。这种符合物理学的方法可以捕捉重要的空间效果 (尤其是自屏蔽效果) ，从而实现更好的通用性。

此处提供了用于生成数据集以及训练基于基准特征的回归模型和替代模型的所有代码。

数据集生成：高效采样

为高效构建数据集，我们将加速求解器与智能采样技术相结合。

第一步是对具有代表性的燃料棒单元进行参数化（见上图2）。我们将调整燃料富集度（wt，即易裂变物质含量）以及关键几何参数：p（棒间距）、r_f（燃料棒半径）、r_g（间隙半径）和r_c（包壳半径）。输出结果包括中子通量场和空间分辨的吸收截面图。

为了尽可能减少训练准确代理模型所需的样本数量 (计算成本高昂的模拟) ，我们采用了拉丁超立方采样 (LHS) 。LHS 可确保样本能够很好地覆盖设计空间，同时最大限度地减少冗余。通过将高效的采样技术与加速求解器相结合，可以在实际时间范围内生成合适的数据集。

图3展示了亚临界和超临界配置下的中子通量场。当反应堆处于亚临界状态时，有效增殖因数k_eff（每代中子数与上一代中子数的比值）小于1，链式反应无法自持。当反应堆处于超临界状态时，k_eff > 1，中子数量将不断增长。通过在广泛且符合实际的富集度和几何参数范围内进行采样，数据集自然涵盖了这两种情况，从而等效地覆盖了亚临界与超临界条件下的通量场环境。

使用 PhysicsNeMo 进行模型训练

NVIDIA PhysicsNeMo 是一个开源 Python 框架，用于构建、训练和微调模拟复杂数值模拟的 AI 代理模型。它专为 AI 物理工作负载而构建，使开发者能够专注于构建特定领域的 AI 增强型应用，而非底层 AI 软件堆栈。

重要的是，PhysicsNeMo 提供了用于开发替代模型的模型架构和训练流程，这些模型可以预测空间分辨率场 (例如，压力、温度、中子通量) ，而不仅仅是标量。

与通用机器学习库不同，PhysicsNeMo 提供模块化的物理感知组件 (从神经运算符和图神经网络到扩散和基于 Transformer 的模型) ，旨在使用先进的架构捕获复杂、连续的物理现象。通过将这些架构与优化的数据工作流和分布式训练实用程序集成，该框架使研究人员和工程师能够在多 GPU 和多节点平台上高效训练高保真代理模型，与从头开始构建自定义解决方案相比，可显著减少开发时间和计算开销。

此外，PhysicsNeMo 与 PyTorch 无缝集成，因此领域专家可以利用熟悉的深度学习工具，同时扩展其针对计算机辅助工程 (CAE) 问题定制的功能。该框架还包括针对从流流体动力学到电磁学等不同领域的精选示例和参考流程，便于您轻松开始开发新应用。

PhysicsNeMo 集可扩展性、可扩展性和优化性能于一身，有助于开发代理模型，在不牺牲保真度的情况下提供近乎实时的预测。

训练里叶神经算子

在本指南中，我们使用 PhysicsNeMo 训练里叶神经算子 (FNO) 。FNO 非常适合预测中子通量分布，因为材料区域内的通量场表现出相对平滑的空间变化。

FNO 在频谱域中学习场到场算子，其中一组截断的低频里叶模式提供了平滑解的紧凑表示，并自然生成全局感知场。这使得该模型能够捕获长距空间合，与局部卷积的深度堆栈相比，显著降低了计算开销。

1. 输入格式： 燃料、包层和慢化剂通过独热编码表示为三个二进制掩码通道。燃料富集度则通过全域广播的标量值表示，并作为第四个通道附加。详见下图4：

2. 预处理：目标数据 (中子通量和宏观吸收横截面) 在对数空间中进行标准化处理，以处理大动态范围。

3. 培训：

• FNO 的输入为 4 通道张量 (B，4，H，W)
• 每个像素都是一个 4D 特征向量： (燃料、包层、调节剂、富集) 。
• 该模型以形状为 (B, 2, H, W) 的双通道输出张量，同时在归一化对数空间中预测中子通量场和吸收截面场，并采用均方误差对标准化后的目标进行训练。

4. 推理：输入为相同的 4 通道表示。模型首先预测归一化的对数空间通量和吸收截面场，然后通过去归一化恢复其物理值。见下图 5：

基准模型结果

为展示预测全中子通量场的优势，我们首先建立了一个基于特征的回归模型作为基准，具体为梯度提升回归器。该基准模型通过一组标量描述符来直接预测标量均质化横截面，这些描述符捕捉了针单元的关键几何特征和材料参数（见图2）。

使用该基准梯度提升回归器模型得到的结果如图6所示。基准模型的预测准确度较高，R² 分数达到0.80。然而，由于输入表示将针孔几何结构压缩为少量标量，无法充分捕捉决定中子通量的完整空间效应，因而也难以准确反映均质化横截面的细节。

通过采用两步物理对齐方法，可显著提升基准模型的性能：首先使用多输出FNO联合预测中子通量场和吸收截面，再基于这些预测结果计算均质化截面。图5展示了代表性针单元的预测通量场。该符合物理规律的方法大幅提高了预测精度，R²分数达到0.97（见下图7）。

这些结果展示了一个非注入特征表示示例，其中多个不同的针脚单元具有相似的标量描述符，但输出不同，这限制了基于特征的回归模型可以学习的内容。

两步物理对齐方法保留了区分这些情况所需的信息，并且能够更好地进行泛化。在工程和科学领域，存在许多问题，即保留空间信息，而不是将其压缩为标量，从而大幅提高通用性。

集成 AI 代理

本指南为核工业的开发者和工程师提供了一个实用的工作流程，以便他们使用 PhysicsNeMo 构建 AI 代理，并将其集成到设计流程中。

我们专注于一个相对简单的针孔示例，在该示例中，联合预测中子通量场和吸收横截面，然后计算均质化横截面，其准确性远高于直接使用一组标量描述符预测均质化横截面。

基于特征的回归模型将标量描述符直接映射到同质化横截面，会出现非注入特征表示问题：不同的几何图形可以共享相似的标量摘要，同时生成有意义的不同通量分布，从而产生不同的通量加权同质化值。

相比之下，FNO 会学习算子从几何/ 材料场映射到通量场和吸收截面场，从而保留实际确定通量权重的空间信息。然后，计算预测场的同质化横截面，执行基于物理性质的正确聚合，从而大幅提高预测准确性和泛化。

深入了解

NVIDIA PhysicsNeMo 显著简化了训练行业规模替代模型的过程，提供了一系列优化的模型架构和实用程序，可简化分布式训练 (数据并行和域并行) 的实现。

PhysicsNeMo 通过抽象化大规模训练模型的复杂细节，使开发者和工程师能够专注于结果，并借助快速代理建模大幅缩短设计探索所需的时间与计算成本。此外，开发者还能利用 NVIDIA Omniverse 库构建实时数字孪生。

我们希望本指南能够激励领域专家在其设计工作流程中使用 PhysicsNeMo，将这种方法扩展到核工业中计算要求极高的问题。

开始使用

如果您是 SciML 开发者或 AI 物理 AI 从业者，PhysicsNeMo 是您工具库中的一个强大工具，可以增强和扩展您的 PyTorch 堆栈。您无需从头开始构建一切，而是可以导入 PhysicsNeMo 模块，以前所未有的速度和简便性开发 AI 物理代理。您可以使用以下资源轻松地逐步入门：

• 使用 PhysicsNeMo 构建燃料针脚电池代理
• PhysicsNeMo 入门指南
• PhysicsNeMo 参考示例