論文の概要: CoNBONet: Conformalized Neuroscience-inspired Bayesian Operator Network for Reliability Analysis
- arxiv url: http://arxiv.org/abs/2603.21678v1
- Date: Mon, 23 Mar 2026 08:09:34 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-24 19:11:39.556326
- Title: CoNBONet: Conformalized Neuroscience-inspired Bayesian Operator Network for Reliability Analysis
- Title（参考訳）: CoNBONet: 信頼性解析のためのコンフォーマル化された神経科学にインスパイアされたベイズ演算子ネットワーク
- Authors: Shailesh Garg, Souvik Chakraborty,
- Abstract要約: 励起下での非線形力学系の時間依存的信頼性解析は、重要なが計算的に要求される課題である。
我々は、高速、エネルギー効率、不確実性を考慮した信頼性解析を可能にする、神経科学にインスパイアされた代理モデルであるtextitCoNBONetを提案する。
- 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: Time-dependent reliability analysis of nonlinear dynamical systems under stochastic excitations is a critical yet computationally demanding task. Conventional approaches, such as Monte Carlo simulation, necessitate repeated evaluations of computationally expensive numerical solvers, leading to significant computational bottlenecks. To address this challenge, we propose \textit{CoNBONet}, a neuroscience-inspired surrogate model that enables fast, energy-efficient, and uncertainty-aware reliability analysis, providing a scalable alternative to techniques such as Monte Carlo simulations. CoNBONet, short for \textbf{Co}nformalized \textbf{N}euroscience-inspired \textbf{B}ayesian \textbf{O}perator \textbf{Net}work, leverages the expressive power of deep operator networks while integrating neuroscience-inspired neuron models to achieve fast, low-power inference. Unlike traditional surrogates such as Gaussian processes, polynomial chaos expansions, or support vector regression, that may face scalability challenges for high-dimensional, time-dependent reliability problems, CoNBONet offers \textit{fast and energy-efficient inference} enabled by a neuroscience-inspired network architecture, \textit{calibrated uncertainty quantification with theoretical guarantees} via split conformal prediction, and \textit{strong generalization capability} through an operator-learning paradigm that maps input functions to system response trajectories. Validation of the proposed CoNBONet for various nonlinear dynamical systems demonstrates that CoNBONet preserves predictive fidelity, and achieves reliable coverage of failure probabilities, making it a powerful tool for robust and scalable reliability analysis in engineering design.
- Abstract（参考訳）: 確率的励起の下での非線形力学系の時間依存的信頼性解析は、重要なが計算的に要求される課題である。
モンテカルロシミュレーションのような従来の手法では、計算コストのかかる数値解法を何度も評価する必要がある。
この課題に対処するために,我々は,モンテカルロシミュレーションなどの手法に代わるスケーラブルな代替手段を提供する,高速でエネルギー効率,不確実性を考慮した信頼性解析が可能な神経科学に着想を得た代理モデルである‘textit{CoNBONet} を提案する。
CoNBONet, short for \textbf{Co}nformalized \textbf{N}euroscience-inspired \textbf{B}ayesian \textbf{O}perator \textbf{Net}work は、神経科学にインスパイアされたニューロンモデルを統合して高速で低パワーな推論を実現する。
ガウス過程、多項式カオス展開、あるいはサポートベクター回帰のような従来のサロゲートとは異なり、高次元、時間依存の信頼性問題に対するスケーラビリティ上の課題に直面する可能性があるが、CoNBONetは神経科学にインスパイアされたネットワークアーキテクチャによって実現される \textit{fast and energy- efficient inference}、分割整合予測による理論保証による \textit{calibrated uncertainty Quantification}、システムの応答軌跡に入力関数をマッピングするオペレーター・ラーニング・パラダイムによる \textit{strong generalization capabilities} を提供する。
様々な非線形力学系に対する提案したCoNBONetの検証により、CoNBONetは予測忠実さを保ち、故障確率の信頼性の高いカバレッジを実現し、工学設計における堅牢でスケーラブルな信頼性解析のための強力なツールとなることが示されている。
関連論文リスト
- KoopGen: Koopman Generator Networks for Representing and Predicting Dynamical Systems with Continuous Spectra [65.11254608352982]
生成元をベースとしたニューラル・クープマン・フレームワークを導入し,構造的かつ状態に依存したクープマン・ジェネレータの表現を通じて動的にモデル化する。
固有のカルテス分解をスキュー結合および自己結合成分に利用することにより、KoopGenは可逆的な散逸から保守的な輸送を分離する。
論文 参考訳（メタデータ） (2026-02-15T06:32:23Z) - Bayesian Interpolating Neural Network (B-INN): a scalable and reliable Bayesian model for large-scale physical systems [0.8593015118377854]
本稿ではベイズ補間ニューラルネットワーク(B-INN)と呼ばれるスケーラブルで信頼性の高いベイズ代理モデルを提案する。
B-INNは、高次理論とテンソル分解と交互方向アルゴリズムを組み合わせることで、予測精度を損なうことなく、効果的な次元削減を実現する。
数値実験により、B-INNは20倍から1万倍の速度で安定な不確実性推定を行うことができることが示された。
論文 参考訳（メタデータ） (2026-01-30T11:38:42Z) - Quantum-Enhanced Neural Contextual Bandit Algorithms [50.880384999888044]
本稿では,Quantum Neural Tangent Kernel-Upper Confidence Bound (QNTK-UCB)アルゴリズムを提案する。
QNTK-UCBは、量子ニューラルタンジェントカーネル(QNTK)を利用してこれらの制限に対処する新しいアルゴリズムである。
論文 参考訳（メタデータ） (2026-01-06T09:58:14Z) - Interpretable Neural Approximation of Stochastic Reaction Dynamics with Guaranteed Reliability [4.736119820998459]
我々は,解釈可能性,信頼性保証,実質的な計算ゲインを実現するニューラルネットワークフレームワークであるDeepSKAを紹介する。
DeepSKAは、状態、時間、出力関数にまたがって一般化する数学的に透明な表現を生成し、この構造を少数のシミュレーションと統合し、古典的モンテカルロよりも非バイアスで、確率的に収束し、劇的に低いマグニチュード推定を生成する。
論文 参考訳（メタデータ） (2025-12-06T04:45:31Z) - A Quantum Tensor Network-Based Viewpoint for Modeling and Analysis of Time Series Data [0.8399688944263844]
本稿では,量子物理学に基づく新しいホワイトボックス法を提案する。
時系列データベクトルのカーネル平均埋め込み(KME)をカーネルヒルベルト空間(RKHS)にマッピングすることにより、テンソルネットワークにインスパイアされた1Dスピンチェーンハミルトニアンを構築する。
次に、関連するシュルディンガー方程式を解き、摂動理論を適用して不確実性を定量化し、量子テンソルネットワークモデルを用いて実行されるタスクの解釈可能性を改善する。
論文 参考訳（メタデータ） (2025-11-17T15:49:17Z) - 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) - Certified Neural Approximations of Nonlinear Dynamics [51.01318247729693]
安全クリティカルな文脈では、神経近似の使用は、基礎となるシステムとの密接性に公式な境界を必要とする。
本稿では,認証された一階述語モデルに基づく新しい,適応的で並列化可能な検証手法を提案する。
論文 参考訳（メタデータ） (2025-05-21T13:22:20Z) - Robust Graph Neural Networks via Unbiased Aggregation [18.681451049083407]
グラフニューラルネットワーク(GNN)の敵対的堅牢性は、強い適応攻撃によって発見されたセキュリティの誤った感覚のために疑問視されている。
私たちは、その堅牢性と限界を理解するために、統一されたロバストな見積もりポイントを提供する。
論文 参考訳（メタデータ） (2023-11-25T05:34:36Z) - Quantization-aware Interval Bound Propagation for Training Certifiably
Robust Quantized Neural Networks [58.195261590442406]
我々は、逆向きに頑健な量子化ニューラルネットワーク(QNN)の訓練と証明の課題について検討する。
近年の研究では、浮動小数点ニューラルネットワークが量子化後の敵攻撃に対して脆弱であることが示されている。
本稿では、堅牢なQNNをトレーニングするための新しい方法であるQA-IBP(quantization-aware interval bound propagation)を提案する。
論文 参考訳（メタデータ） (2022-11-29T13:32:38Z) - Comparative Analysis of Interval Reachability for Robust Implicit and
Feedforward Neural Networks [64.23331120621118]
我々は、暗黙的ニューラルネットワーク(INN)の堅牢性を保証するために、区間到達可能性分析を用いる。
INNは暗黙の方程式をレイヤとして使用する暗黙の学習モデルのクラスである。
提案手法は, INNに最先端の区間境界伝搬法を適用するよりも, 少なくとも, 一般的には, 有効であることを示す。
論文 参考訳（メタデータ） (2022-04-01T03:31:27Z) - Probabilistic robust linear quadratic regulators with Gaussian processes [73.0364959221845]
ガウス過程(GP)のような確率モデルは、制御設計に続く使用のためのデータから未知の動的システムを学ぶための強力なツールです。
本稿では、確率的安定性マージンに関して堅牢なコントローラを生成する線形化GPダイナミクスのための新しいコントローラ合成について述べる。
論文 参考訳（メタデータ） (2021-05-17T08:36:18Z)
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。