論文の概要: Graph Neural Operator Towards Edge Deployability and Portability for Sparse-to-Dense, Real-Time Virtual Sensing on Irregular Grids

• arxiv url: http://arxiv.org/abs/2604.01802v1
• Date: Thu, 02 Apr 2026 09:14:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-03 14:21:10.631045
• Title: Graph Neural Operator Towards Edge Deployability and Portability for Sparse-to-Dense, Real-Time Virtual Sensing on Irregular Grids
• Title（参考訳）: グラフニューラル演算子による不規則格子上の疎密度実時間仮想センシングのためのエッジ展開性とポータビリティ
• Authors: William Howes, Jason Yoo, Kazuma Kobayashi, Subhankar Sarkar, Farid Ahmed, Souvik Chakraborty, Syed Bahauddin Alam,
• Abstract要約: 本稿では不規則なジオメトリ上でのスパース・ツー・ディエンス再構成のためのグラフベースのニューラル演算子とメッシュインフォームドグラフ構築のための可変結合アルゴリズムである可変KNN(V-KNN)を紹介する。 VIRSOは推論を計測として再設計し、スケーラビリティの低い従来のグラフベースの方法論のレイテンシと消費電力を伴わずに正確な再構成を提供する。 これらの結果は,資源制約環境におけるリアルタイムセンシングの新たなパラダイムとして,VIRSOのエッジ実現可能性とハードウェアポータビリティを確立した。
• 参考スコア（独自算出の注目度）: 3.7655803383628474
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate sensing of spatially distributed physical fields typically requires dense instrumentation, which is often infeasible in real-world systems due to cost, accessibility, and environmental constraints. Physics-based solvers address this through direct numerical integration of governing equations, but their computational latency and power requirements preclude real-time use in resource-constrained monitoring and control systems. Here we introduce VIRSO (Virtual Irregular Real-Time Sparse Operator), a graph-based neural operator for sparse-to-dense reconstruction on irregular geometries, and a variable-connectivity algorithm, Variable KNN (V-KNN), for mesh-informed graph construction. Unlike prior neural operators that treat hardware deployability as secondary, VIRSO reframes inference as measurement: the combination of both spectral and spatial analysis provides accurate reconstruction without the high latency and power consumption of previous graph-based methodologies with poor scalability, presenting VIRSO as a potential candidate for edge-constrained, real-time virtual sensing. We evaluate VIRSO on three nuclear thermal-hydraulic benchmarks of increasing geometric and multiphysics complexity, across reconstruction ratios from 47:1 to 156:1. VIRSO achieves mean relative $L_2$ errors below 1%, outperforming other benchmark operators while using fewer parameters. The full 10-layer configuration reduces the energy-delay product (EDP) from ${\approx}206$ J$\cdot$ms for the graph operator baseline to $10.1$ J$\cdot$ms on an NVIDIA H200. Implemented on an NVIDIA Jetson Orin Nano, all configurations of VIRSO provide sub-10 W power consumption and sub-second latency. These results establish the edge-feasibility and hardware-portability of VIRSO and present compute-aware operator learning as a new paradigm for real-time sensing in inaccessible and resource-constrained environments.
• Abstract（参考訳）: 空間的に分散した物理的フィールドの正確なセンシングは、通常、高密度な計測を必要とするが、しばしばコスト、アクセシビリティ、環境制約のために現実世界のシステムでは不可能である。 物理ベースの解法は、制御方程式の直接数値積分によってこの問題に対処するが、その計算遅延と電力要求は、リソース制約のモニタリングと制御システムにおいてリアルタイムの使用を妨げない。 ここでは不規則なジオメトリ上でスパース・トゥ・ディエンスを再構築するグラフベースのニューラル演算子VIRSO(Virtual Irregular Real-Time Sparse Operator)とメッシュインフォームドグラフ構築のための可変結合アルゴリズムV-KNNを紹介する。 スペクトル分析と空間解析の組み合わせは、従来のグラフベースの方法論の高レイテンシと消費電力を低スケーラビリティで実現し、VIRSOをエッジ制約のあるリアルタイム仮想センシングの候補として提示する。 47:1から156:1の再現率で, 幾何的および多物理的複雑性を増大させる3つの核熱水和度ベンチマークを用いてVIRSOの評価を行った。 VIRSOは1%未満の相対的な$L_2$エラーを達成し、パラメータを減らしながら他のベンチマーク演算子を上回っている。 完全な10層構成は、エネルギー遅延積(EDP)を、グラフ演算子ベースラインの${\approx}206$ J$\cdot$msからNVIDIA H200の$0.1$ J$\cdot$msに還元する。 NVIDIA Jetson Orin Nano上に実装されたVIRSOのすべての構成は、サブ10Wの消費電力とサブ秒のレイテンシを提供する。 これらの結果は、VIRSOのエッジ実現可能性とハードウェアポータビリティを確立し、非アクセス性とリソース制約のある環境におけるリアルタイムセンシングのための新しいパラダイムとして、計算対応演算子学習を提供する。

関連論文リスト

• Data-Driven Deep MIMO Detection:Network Architectures and Generalization Analysis [50.20709408241935]
  本稿では,ネットワーク・オブ・MLPにおける完全データ駆動型DeepSIC検出の検証を提案する。 このようなアーキテクチャでは、グラフニューラルネットワーク(GNN)を使用したグラフベースのメッセージパッシングプロセスとして、DeepSICをアップグレードすることができる。 GNNSICは、訓練可能なパラメータが大幅に少ないDeepSICに匹敵する優れた表現性を達成する。
  論文  参考訳（メタデータ） (2026-02-13T04:38:51Z)
• Enabling Physical AI at the Edge: Hardware-Accelerated Recovery of System Dynamics [4.058950730052848]
  textbfMERINDA (Model Recovery in Reconfigurable Dynamic Architecture) はFPGAが加速するMRフレームワークで、リソース制約のあるデバイスで物理AIを実用的なものにするために設計された。 MERINDAは、自律システムのリアルタイム監視のために、正確で説明可能なMRをエッジに持ち込むことができることを示す。
  論文  参考訳（メタデータ） (2025-12-29T04:51:51Z)
• Physics-Informed Graph Neural Networks for Transverse Momentum Estimation in CMS Trigger Systems [0.0]
  高エネルギー物理におけるリアルタイム粒子横運動量(p_T$)推定は、厳密なハードウェア制約の下で効率的なアルゴリズムを要求する。 本稿では,物理インフォームドグラフニューラルネットワーク(GNN)フレームワークを提案する。 我々の共同設計手法は、既存のベースラインに比べて精度と効率のトレードオフが優れている。
  論文  参考訳（メタデータ） (2025-07-25T12:19:57Z)
• Task-Oriented Real-time Visual Inference for IoVT Systems: A Co-design Framework of Neural Networks and Edge Deployment [61.20689382879937]
  タスク指向エッジコンピューティングは、データ分析をエッジにシフトすることで、この問題に対処する。 既存の手法は、高いモデル性能と低いリソース消費のバランスをとるのに苦労している。 ニューラルネットワークアーキテクチャを最適化する新しい協調設計フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-10-29T19:02:54Z)
• Graph Neural Networks for Virtual Sensing in Complex Systems: Addressing Heterogeneous Temporal Dynamics [8.715570103753697]
  複雑なシステムの信頼性と効率的な運用にはリアルタイム状態監視が不可欠である。 仮想センシングは、利用可能なセンサデータとシステム知識を活用することで制限に対処する。 異種時間グラフニューラルネットワーク(HTGNN)フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-07-26T12:16:53Z)
• Fluid Batching: Exit-Aware Preemptive Serving of Early-Exit Neural Networks on Edge NPUs [74.83613252825754]
  スマートエコシステム(smart ecosystems)"は、スタンドアロンではなく、センセーションが同時に行われるように形成されています。 これはデバイス上の推論パラダイムを、エッジにニューラル処理ユニット(NPU)をデプロイする方向にシフトしている。 そこで本研究では,実行時のプリエンプションが到着・終了プロセスによってもたらされる動的性を考慮に入れた,新しい早期終了スケジューリングを提案する。
  論文  参考訳（メタデータ） (2022-09-27T15:04:01Z)
• LordNet: An Efficient Neural Network for Learning to Solve Parametric Partial Differential Equations without Simulated Data [47.49194807524502]
  エンタングルメントをモデル化するためのチューナブルで効率的なニューラルネットワークであるLordNetを提案する。 ポアソン方程式と(2Dおよび3D)ナビエ・ストークス方程式を解く実験は、長距離の絡み合いがロードネットによってうまくモデル化できることを示した。
  論文  参考訳（メタデータ） (2022-06-19T14:41:08Z)
• Energy-Efficient Model Compression and Splitting for Collaborative Inference Over Time-Varying Channels [52.60092598312894]
  本稿では,エッジノードとリモートノード間のモデル圧縮と時間変化モデル分割を利用して,エッジデバイスにおける総エネルギーコストを削減する手法を提案する。 提案手法は, 検討されたベースラインと比較して, エネルギー消費が最小限であり, 排出コストが$CO$となる。
  論文  参考訳（メタデータ） (2021-06-02T07:36:27Z)
• Learning Frequency-aware Dynamic Network for Efficient Super-Resolution [56.98668484450857]
  本稿では、離散コサイン変換(dct)領域の係数に応じて入力を複数の部分に分割する新しい周波数認識動的ネットワークについて検討する。 実際、高周波部は高価な操作で処理され、低周波部は計算負荷を軽減するために安価な操作が割り当てられる。 ベンチマークSISRモデルおよびデータセット上での実験は、周波数認識動的ネットワークが様々なSISRニューラルネットワークに使用できることを示している。
  論文  参考訳（メタデータ） (2021-03-15T12:54:26Z)
• Distance-Weighted Graph Neural Networks on FPGAs for Real-Time Particle Reconstruction in High Energy Physics [11.125632758828266]
  FPGA上で1$mumathrms未満のレイテンシで実行できる距離重み付きグラフネットワークの設計方法について論じる。 本研究では,粒子衝突型加速器で動作する次世代熱量計における粒子の再構成と同定に関連する代表的課題について考察する。 我々は、圧縮されたモデルをファームウェアに変換し、FPGA上で実装する。
  論文  参考訳（メタデータ） (2020-08-08T21:26:31Z)

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。