論文の概要: SPINONet: Scalable Spiking Physics-informed Neural Operator for Computational Mechanics Applications
- arxiv url: http://arxiv.org/abs/2603.21674v1
- Date: Mon, 23 Mar 2026 08:01:43 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-24 19:11:39.553747
- Title: SPINONet: Scalable Spiking Physics-informed Neural Operator for Computational Mechanics Applications
- Title（参考訳）: SPINONet:計算力学応用のためのスケーラブルスパイキング物理インフォームドニューラル演算子
- Authors: Shailesh Garg, Luis Mandl, Somdatta Goswami, Souvik Chakraborty,
- Abstract要約: エネルギー効率は、物理インフォームド演算子学習モデルを科学計算に展開する上で、依然として重要な課題である。
分離可能な物理インフォームド神経科学インスパイアされたオペレータネットワーク(SPINONet)について紹介する。
SPINONetは、スパースでイベント駆動の計算を可能にするアーキテクチャを意識した設計を通じて、レグレッションフレンドリーなスパイクニューロンを組み込んでいる。
- 参考スコア（独自算出の注目度）: 1.9573380763700712
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Energy efficiency remains a critical challenge in deploying physics-informed operator learning models for computational mechanics and scientific computing, particularly in power-constrained settings such as edge and embedded devices, where repeated operator evaluations in dense networks incur substantial computational and energy costs. To address this challenge, we introduce the Separable Physics-informed Neuroscience-inspired Operator Network (SPINONet), a neuroscience-inspired framework that reduces redundant computation across repeated evaluations while remaining compatible with physics-informed training. SPINONet incorporates regression-friendly neuroscience-inspired spiking neurons through an architecture-aware design that enables sparse, event-driven computation, improving energy efficiency while preserving the continuous, coordinate-differentiable pathways required for computing spatio-temporal derivatives. We evaluate SPINONet on a range of partial differential equations representative of computational mechanics problems, with spatial, temporal, and parametric dependencies in both time-dependent and steady-state settings, and demonstrate predictive performance comparable to conventional physics-informed operator learning approaches despite the induced sparse communication. In addition, limited data supervision in a hybrid setup is shown to improve performance in challenging regimes where purely physics-informed training may converge to spurious solutions. Finally, we provide an analytical discussion linking architectural components and design choices of SPINONet to reductions in computational load and energy consumption.
- Abstract（参考訳）: エネルギー効率は、計算力学と科学計算のための物理インフォームド演算子学習モデル、特にエッジや組み込みデバイスのような電力制約のある環境において、高密度ネットワークにおける演算子の評価が相当な計算とエネルギーコストをもたらす場合において、依然として重要な課題である。
この課題に対処するために、我々は、物理学インフォームドトレーニングと互換性を維持しながら、繰り返し評価を繰り返す冗長な計算を減らす神経科学インフォームド・オペレーター・ネットワーク(SPINONet)を紹介した。
SPINONetは、スパースでイベント駆動型計算を可能にし、時空間微分の計算に必要な連続的、座標微分可能な経路を維持しながらエネルギー効率を向上させるアーキテクチャ・アウェアの設計を通じて、レグレッションフレンドリーな神経科学にインスパイアされたスパイクニューロンを組み込んでいる。
本研究では,空間的・時間的・パラメトリックな関係を持つ計算力学問題を表す偏微分方程式を用いてSPINONetの評価を行い,従来の物理インフォームド演算子学習手法に匹敵する予測性能を示す。
さらに、ハイブリッド環境での限られたデータ監視は、純粋に物理学的なインフォームドトレーニングが急激なソリューションに収束する困難な状況において、パフォーマンスを向上させることが示されている。
最後に,SPINONetのアーキテクチャコンポーネントと設計選択を,計算負荷とエネルギー消費の削減に結びつける分析的な議論を行う。
関連論文リスト
- Hard-Constrained Neural Networks with Physics-Embedded Architecture for Residual Dynamics Learning and Invariant Enforcement in Cyber-Physical Systems [0.5735035463793009]
我々は、リカレントインテグレータ内に既知の物理をハード構造制約として埋め込んだ汎用アーキテクチャであるHybrid Recurrent Physics-Informed Neural Network (HRPINN) を定式化し、残留力学のみを学習する。
第2に,計画HRPINN (PHRPINN, Projected HRPINN) を導入する。
実世界のバッテリ確率DAEでHRPINNを評価し,標準制約ベンチマークでPHRPINNを評価する。
論文 参考訳（メタデータ） (2025-11-28T16:06:24Z) - Event-driven physics-informed operator learning for reliability analysis [2.5782420501870296]
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。
論文 参考訳（メタデータ） (2025-11-08T17:31:21Z) - A Neural Network for the Identical Kuramoto Equation: Architectural Considerations and Performance Evaluation [0.0]
同一振動子倉本モデルから導かれる非局所保存法の解法を近似するためのディープニューラルネットワーク(DNN)の効率について検討する。
ネットワーク構成パラメータが収束特性に影響を与えることを示す。
我々は,一意的あるいは一意的な解を扱う際に,標準フィードフォワードアーキテクチャの基本的限界を特定する。
論文 参考訳（メタデータ） (2025-09-17T19:37:01Z) - An Evolutionary Multi-objective Optimization for Replica-Exchange-based Physics-informed Operator Learning Network [7.1950116347185995]
本稿では,レプリカに基づく物理インフォームド演算子学習ネットワークのための進化的多目的最適化を提案する。
我々のフレームワークは、精度、ノイズ、不確実性を定量化する能力において、一般的な演算子学習方法よりも一貫して優れています。
論文 参考訳（メタデータ） (2025-08-31T02:17:59Z) - Advancing Physics Data Analysis through Machine Learning and Physics-Informed Neural Networks [0.0]
本研究は,物理データ解析のための機械学習(ML)アルゴリズムについて評価する。
これらの手法をシミュレーションシナリオの実験的生存性を識別する二項分類タスクに適用する。
XGBoostは、そのスピードと有効性のために評価された機械学習アルゴリズムの中で好まれる選択として登場した。
論文 参考訳（メタデータ） (2024-10-18T11:05:52Z) - Mechanistic Neural Networks for Scientific Machine Learning [58.99592521721158]
我々は、科学における機械学習応用のためのニューラルネットワーク設計であるメカニスティックニューラルネットワークを提案する。
新しいメカニスティックブロックを標準アーキテクチャに組み込んで、微分方程式を表現として明示的に学習する。
我々のアプローチの中心は、線形プログラムを解くために線形ODEを解く技術に着想を得た、新しい線形計画解法(NeuRLP)である。
論文 参考訳（メタデータ） (2024-02-20T15:23:24Z) - NeuralStagger: Accelerating Physics-constrained Neural PDE Solver with
Spatial-temporal Decomposition [67.46012350241969]
本稿では,NeuralStaggerと呼ばれる一般化手法を提案する。
元の学習タスクをいくつかの粗い解像度のサブタスクに分解する。
本稿では,2次元および3次元流体力学シミュレーションにおけるNeuralStaggerの適用例を示す。
論文 参考訳（メタデータ） (2023-02-20T19:36:52Z) - Intelligence Processing Units Accelerate Neuromorphic Learning [52.952192990802345]
スパイキングニューラルネットワーク(SNN)は、エネルギー消費と遅延の観点から、桁違いに改善されている。
我々は、カスタムSNN PythonパッケージsnnTorchのIPU最適化リリースを提示する。
論文 参考訳（メタデータ） (2022-11-19T15:44:08Z) - Training End-to-End Analog Neural Networks with Equilibrium Propagation [64.0476282000118]
本稿では,勾配降下による終端から終端までのアナログニューラルネットワークの学習法を提案する。
数学的には、アナログニューラルネットワークのクラス(非線形抵抗性ネットワークと呼ばれる)がエネルギーベースモデルであることが示される。
我々の研究は、オンチップ学習をサポートする、超高速でコンパクトで低消費電力のニューラルネットワークの新世代の開発を導くことができる。
論文 参考訳（メタデータ） (2020-06-02T23:38:35Z) - Spiking Neural Networks Hardware Implementations and Challenges: a
Survey [53.429871539789445]
スパイキングニューラルネットワークは、ニューロンとシナプスの操作原理を模倣する認知アルゴリズムである。
スパイキングニューラルネットワークのハードウェア実装の現状について述べる。
本稿では,これらのイベント駆動アルゴリズムの特性をハードウェアレベルで活用するための戦略について論じる。
論文 参考訳（メタデータ） (2020-05-04T13:24:00Z)
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。