論文の概要: Event-driven physics-informed operator learning for reliability analysis
- arxiv url: http://arxiv.org/abs/2511.06083v1
- Date: Sat, 08 Nov 2025 17:31:21 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-11-11 21:18:44.746571
- Title: Event-driven physics-informed operator learning for reliability analysis
- Title（参考訳）: 事象駆動型物理インフォームド演算子学習による信頼性解析
- Authors: Shailesh Garg, Souvik Chakraborty,
- Abstract要約: 我々は,神経科学に触発された最初の物理インフォームド演算子学習フレームワークであるNeuroPOLを紹介した。
NeuroPOLは可変スパイキングニューロンを物理インフォームド演算子アーキテクチャに組み込み、連続的なアクティベーションをイベント駆動スパイキングダイナミクスに置き換える。
我々は,バーガース方程式,ナグモ方程式,二次元ポアソン方程式,二次元ダーシー方程式,エネルギー結合を伴う圧縮不可能なナビエ・ストークス方程式を含む5つの標準ベンチマーク上でNeuroPOLを評価する。
- 参考スコア（独自算出の注目度）: 2.5782420501870296
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Reliability analysis of engineering systems under uncertainty poses significant computational challenges, particularly for problems involving high-dimensional stochastic inputs, nonlinear system responses, and multiphysics couplings. Traditional surrogate modeling approaches often incur high energy consumption, which severely limits their scalability and deployability in resource-constrained environments. We introduce NeuroPOL, \textit{the first neuroscience-inspired physics-informed operator learning framework} for reliability analysis. NeuroPOL incorporates Variable Spiking Neurons into a physics-informed operator architecture, replacing continuous activations with event-driven spiking dynamics. This innovation promotes sparse communication, significantly reduces computational load, and enables an energy-efficient surrogate model. The proposed framework lowers both computational and power demands, supporting real-time reliability assessment and deployment on edge devices and digital twins. By embedding governing physical laws into operator learning, NeuroPOL builds physics-consistent surrogates capable of accurate uncertainty propagation and efficient failure probability estimation, even for high-dimensional problems. We evaluate NeuroPOL on five canonical benchmarks, the Burgers equation, Nagumo equation, two-dimensional Poisson equation, two-dimensional Darcy equation, and incompressible Navier-Stokes equation with energy coupling. Results show that NeuroPOL achieves reliability measures comparable to standard physics-informed operators, while introducing significant communication sparsity, enabling scalable, distributed, and energy-efficient deployment.
- Abstract（参考訳）: 不確実性の下での工学系の信頼性解析は、特に高次元確率入力、非線形システム応答、多物理結合を含む問題に対して重要な計算問題を引き起こす。
従来のサロゲート・モデリングのアプローチは、しばしば高エネルギー消費をもたらし、リソースに制約された環境におけるスケーラビリティとデプロイ可能性を大幅に制限する。
本稿では,信頼性解析のためのニューロPOL (NeuroPOL, \textit{the first neuroscience-inspired Physics-informed operator learning framework) を紹介する。
NeuroPOLは可変スパイキングニューロンを物理インフォームド演算子アーキテクチャに組み込み、連続的なアクティベーションをイベント駆動スパイキングダイナミクスに置き換える。
この革新はスパース通信を促進し、計算負荷を大幅に削減し、エネルギー効率の良い代理モデルを可能にする。
提案したフレームワークは、計算と電力需要の両方を低減し、エッジデバイスとデジタルツインのリアルタイム信頼性評価とデプロイをサポートする。
物理法則を演算子学習に組み込むことにより、NeuroPOLは高次元問題においても正確な不確実性伝播と効率的な故障確率推定が可能な物理一貫性のサロゲートを構築する。
我々は,5つの標準ベンチマーク,バーガーズ方程式,ナグモ方程式,二次元ポアソン方程式,二次元ダーシー方程式,エネルギー結合を伴う圧縮不可能なナビエ・ストークス方程式についてNeuroPOLを評価する。
以上の結果から,NeuroPOLは標準物理インフォームド演算子に匹敵する信頼性測定を達成し,通信幅の大幅な拡大を実現し,拡張性,分散性,エネルギー効率の向上を実現している。
関連論文リスト
- Physics-Informed Neural Networks and Neural Operators for Parametric PDEs: A Human-AI Collaborative Analysis [18.201079606404978]
PDEは、ソリューションがパラメータに依存する科学や工学において、至るところで発生します。
近年の機械学習の進歩は、パラメータ空間をまたいで一般化する学習ソリューション演算子によるPDE解決に革命をもたらした。
ニューラル演算子は従来の解法よりも103ドルから105ドル速く計算速度を向上できることを示す。
論文 参考訳（メタデータ） (2025-11-06T17:31:59Z) - High-fidelity Multiphysics Modelling for Rapid Predictions Using Physics-informed Parallel Neural Operator [17.85837423448985]
非線形および強く結合した偏微分方程式(PDE)によって支配される複雑な多物理系をモデル化することは、計算科学と工学の基盤となる。
本稿では、スケーラブルで教師なしの学習フレームワークであるPIPNO(Physical-informed parallel neural operator)を提案する。
PIPNOは、地球工学、物質科学、電磁気学、量子力学、流体力学など、様々な物理学における非線形作用素のマッピングを効率的に取得する。
論文 参考訳（メタデータ） (2025-02-26T20:29:41Z) - Pseudo-Physics-Informed Neural Operators: Enhancing Operator Learning from Limited Data [17.835190275166408]
PPI-NO(Pseudo Physics-Informed Neural Operator)フレームワークを提案する。
PPI-NOは、基本微分作用素から導かれる偏微分方程式(PDE)を用いて、対象系に対する代理物理系を構築する。
このフレームワークは,データ共有シナリオにおける標準演算子学習モデルの精度を大幅に向上させる。
論文 参考訳（メタデータ） (2025-02-04T19:50:06Z) - Harnessing physics-informed operators for high-dimensional reliability analysis problems [0.8192907805418583]
信頼性分析(Reliability analysis)は、特に多数のパラメータを持つシステムにおいて、非常に難しいタスクである。
信頼性を定量化するための従来の手法は、しばしば広範なシミュレーションや実験データに依存している。
物理インフォームド演算子は,高次元信頼性解析問題を妥当な精度でシームレスに解くことができることを示す。
論文 参考訳（メタデータ） (2024-09-07T04:52:03Z) - Quantifying fault tolerant simulation of strongly correlated systems using the Fermi-Hubbard model [31.805673346157665]
強い相関のある物質の全体的理解を構築することが重要である。
フォールトトレラントな量子コンピュータは、これらの困難を克服するための道として提案されている。
我々は, 耐故障性量子コンピュータを用いて, 実験量を得るために必要な資源コストを見積もる。
論文 参考訳（メタデータ） (2024-06-10T17:50:56Z) - PINNs-Based Uncertainty Quantification for Transient Stability Analysis [22.116325319900973]
本稿では,物理インフォームドニューラルネットワーク(PINN)の新たな応用,特に臨界パラメータを推定するためのPINNのアンサンブル(E-PINN)について紹介する。
E-PINNは、揺動方程式の基礎となる物理原理を利用して、堅牢な解を提供する。
この研究は、電力系統の安定性における機械学習の適用を前進させ、信頼性と計算効率のよい過渡安定解析への道を開いた。
論文 参考訳（メタデータ） (2023-11-21T19:21:49Z) - Physics-Informed Neural Networks for an optimal counterdiabatic quantum
computation [32.73124984242397]
我々は,N_Q$量子ビットを持つ系からなる量子回路の最適化において,物理インフォームドニューラルネットワーク(PINN)の強度を活用して,逆ダイアバティック(CD)プロトコルに対処する新しい手法を提案する。
この手法の主な応用は、STO-3Gベースの2量子および4量子系で表される$mathrmH_2$と$mathrmLiH$分子である。
論文 参考訳（メタデータ） (2023-09-08T16:55:39Z) - AttNS: Attention-Inspired Numerical Solving For Limited Data Scenarios [51.94807626839365]
限定データによる微分方程式の解法として,注目型数値解法(AttNS)を提案する。
AttNSは、モデル一般化とロバスト性の向上におけるResidual Neural Networks(ResNet)のアテンションモジュールの効果にインスパイアされている。
論文 参考訳（メタデータ） (2023-02-05T01:39:21Z) - Gradient-Enhanced Physics-Informed Neural Networks for Power Systems
Operational Support [36.96271320953622]
本稿では,電力系統の動的挙動をリアルタイムに近似する機械学習手法を提案する。
提案するフレームワークは、勾配強化された物理インフォームドニューラルネットワーク(gPINN)に基づいて、電力システムを管理する基礎となる物理法則を符号化する。
論文 参考訳（メタデータ） (2022-06-21T17:56:55Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。