用于 Lattice 和 Hohlraum 基准测试的线性辐射输运高效神经代理模型

线性辐射输运方程（RTE）构成了核工程、惯性约束聚变、医学成像和天体物理学中设计与分析任务所依赖的仿真基础，但要以工程所需的精度解析高维相空间，其成本仍然高昂，以至于设计优化、不确定性量化和参数扫描等外循环工作流在传统求解器上通常受到预算限制。神经代理模型有望通过在数千次下游查询之间摊销仿真成本来缓解这一瓶颈，但使代理模型在某一输运问题上实现高精度的架构选择和工程化归纳偏置，并不能直接迁移到不同的模型族。我们对两个参数规模匹配的神经代理模型架构进行了基准测试：具有物理注意力机制的 Transolver，以及多尺度图网络 Bi-Stride Multi-Scale MeshGraphNet（BSMS-MGN），将其作为二维线性 RTE 在经典 Lattice 和 Hohlraum 基准测试上最终时刻粒子浓度的端到端近似模型。针对傅里叶特征和区域加权训练损失的消融实验揭示了强烈依赖架构的归纳偏好，表明物理信息代理模型工作流中常见的设计选择必须针对每种架构重新审视，而不能在不同模型族之间直接照搬；同时，下游效用取决于其对具体 QoI 的敏感性，而不是单一的场级评分。本文同时发布模型训练方案、训练数据和评估流程，以支持结果复现、向相关输运问题迁移，以及将这些模型作为摊销前向模型组件纳入更大型的外循环仿真工作流中进行评估。