論文の概要: SCNO: Spiking Compositional Neural Operator -- Towards a Neuromorphic Foundation Model for Nuclear PDE Solving

• arxiv url: http://arxiv.org/abs/2604.11625v1
• Date: Mon, 13 Apr 2026 15:36:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-14 20:13:16.6534
• Title: SCNO: Spiking Compositional Neural Operator -- Towards a Neuromorphic Foundation Model for Nuclear PDE Solving
• Title（参考訳）: SCNO:Spking compositional Neural Operator -- 核PDE解決のためのニューロモルフィック基礎モデルを目指して
• Authors: Samrendra Roy, Souvik Chakraborty, Rizwan-uddin, Syed Bahauddin Alam,
• Abstract要約: Spiking Compositional Neural Operator (SCNO) は、スパイキングと従来のコンポーネントを組み合わせたモジュラーアーキテクチャである。 SCNOは小さなスパイクニューラル演算子ブロックのライブラリを保持しており、それぞれが1つの基本微分演算子で訓練されている。 小さな補正ネットワークは、すべてのブロックとアグリゲータを凍結させながら、クロスカップリング残余を学習する。
• 参考スコア（独自算出の注目度）: 2.7065664375961274
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Neural operators have emerged as powerful surrogates for partial differential equation (PDE) solvers, yet they are typically trained as monolithic models for individual PDEs, require energy-intensive GPU hardware, and must be retrained from scratch when new physics emerge. We introduce the Spiking Compositional Neural Operator (SCNO), a modular architecture combining spiking and conventional components that addresses all three limitations. SCNO maintains a library of small spiking neural operator blocks, each trained on a single elementary differential operator (convection, diffusion, reaction), and composes them through a lightweight input-conditioned aggregator to solve coupled PDEs not seen during block training. A small correction network learns cross-coupling residuals while keeping all blocks and the aggregator frozen, preserving zero-forgetting modular expansion by construction. We evaluate SCNO on eight PDE families including five coupled systems and a nuclear-relevant 1-group neutron diffusion equation. SCNO with correction achieves the lowest relative $L^2$ error on four of five coupled PDEs, outperforming both a monolithic spiking DeepONet (by up to 62%, mean over 3 seeds) and a standard ANN DeepONet (by up to 65%), while requiring only 95K trainable parameters versus 462K for the monolithic baseline. To our knowledge, this is the first compositional spiking neural operator and the first proof-of-concept for modular neuromorphic PDE solving with built-in forgetting-free expansion.
• Abstract（参考訳）: ニューラル作用素は偏微分方程式(PDE)ソルバの強力なサロゲートとして登場したが、通常は個々のPDEのモノリシックモデルとして訓練され、エネルギー集約型GPUハードウェアを必要とする。 スパイク構成ニューラルオペレータ(SCNO)は,スパイクと従来の3つの制限すべてに対処するコンポーネントを組み合わせたモジュラーアーキテクチャである。 SCNOは小さなスパイクニューラル演算子ブロックのライブラリを保持しており、それぞれが1つの基本微分演算子(対流、拡散、反応)で訓練され、それらを軽量な入力条件アグリゲータを介して構成し、ブロックトレーニング中に見えない結合されたPDEを解決する。 小さな補正ネットワークは、すべてのブロックとアグリゲータを凍結させながらクロスカップリング残差を学習し、構築によるゼロフォッゲッティングモジュラ拡張を保存する。 5つの結合系と核関連1群中性子拡散方程式を含む8つのPDE系上のSCNOを評価した。 SCNOは5つの結合されたPDEのうち、最も低い相対的な1L^2$エラーを達成し、モノリシックスパイクのDeepONet(最大62%、平均3種以上)と標準のANNDeepONet(最大65%)の両方を上回り、モノリシックベースラインのトレーニング可能なパラメータは95K対462Kである。 我々の知る限り、これは初めての合成スパイクニューラル演算子であり、モジュラーニューロモルフィックPDE解法における最初の概念実証である。

関連論文リスト

• CompNO: A Novel Foundation Model approach for solving Partial Differential Equations [0.0]
  偏微分方程式は幅広い物理現象を支配しているが、その数値解は計算的に要求されるままである。 最近のSFM(Scientific Foundation Models)は、シミュレーションシステムの大規模なコレクションから普遍的なサロゲートを学習することで、このコストを軽減することを目的としている。 パラメトリックPDEのための合成ニューラルネットワークフレームワークCompNOを紹介する。
  論文  参考訳（メタデータ） (2026-01-12T10:04:48Z)
• Deep Hierarchical Learning with Nested Subspace Networks [53.71337604556311]
  大規模ニューラルネットワークのためのNested Subspace Networks (NSN)を提案する。 NSNは、単一のモデルを連続した計算予算の範囲で動的かつきめ細かな調整を可能にする。 我々は,NSNを訓練済みのLLMに外科的に適用し,スムーズで予測可能な計算性能フロンティアを解き放つことができることを示した。
  論文  参考訳（メタデータ） (2025-09-22T15:13:14Z)
• HyPINO: Multi-Physics Neural Operators via HyperPINNs and the Method of Manufactured Solutions [16.904297509040777]
  パラメトリックPDEの幅広いクラスにまたがるゼロショット一般化のために設計された多物理ニューラル演算子であるHyPINOについて述べる。 このモデルは、PDEパラメトリゼーションをターゲットとする物理情報ニューラルネットワーク(PINN)にマッピングし、線形楕円型、双曲型、放物型方程式を2次元で扱うことができる。 HyPINOは、PINNによる7つのベンチマーク問題、U-Net、文学、物理インフォームドニューラル演算子(PINO)よりも優れたゼロショット精度を実現している。
  論文  参考訳（メタデータ） (2025-09-05T13:59:25Z)
• Accelerating PDE Solvers with Equation-Recast Neural Operator Preconditioning [9.178290601589365]
  Minimal-Data Parametric Neural Operator Preconditioning (MD-PNOP) はパラメトリックPDEソルバを高速化するための新しいパラダイムである。 パラメータ偏差の残差を、トレーニングされたニューラル演算子を使用して、オフラインでソリューションを洗練させる、追加のソース用語として再キャストする。 固定ソース、単一グループ固有値、および多群結合固有値問題に対する完全順序忠実度を維持しつつ、計算時間の50%削減を一貫して達成する。
  論文  参考訳（メタデータ） (2025-09-01T12:14:58Z)
• DimINO: Dimension-Informed Neural Operator Learning [41.37905663176428]
  Diminoは次元分析にインスパイアされたフレームワークである。 既存のニューラル演算子アーキテクチャにシームレスに統合することができる。 PDEデータセットで最大76.3%のパフォーマンス向上を実現している。
  論文  参考訳（メタデータ） (2024-10-08T10:48:50Z)
• Neural Basis Functions for Accelerating Solutions to High Mach Euler Equations [63.8376359764052]
  ニューラルネットワークを用いた偏微分方程式(PDE)の解法を提案する。 ニューラルネットワークの集合を縮小順序 Proper Orthogonal Decomposition (POD) に回帰する。 これらのネットワークは、所定のPDEのパラメータを取り込み、PDEに還元順序近似を計算する分岐ネットワークと組み合わせて使用される。
  論文  参考訳（メタデータ） (2022-08-02T18:27:13Z)
• 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)
• Physics-Informed Neural Operator for Learning Partial Differential Equations [55.406540167010014]
  PINOは、演算子を学ぶために異なる解像度でデータとPDE制約を組み込んだ最初のハイブリッドアプローチである。 結果の PINO モデルは、多くの人気のある PDE ファミリの基底構造解演算子を正確に近似することができる。
  論文  参考訳（メタデータ） (2021-11-06T03:41:34Z)
• PDE-constrained Models with Neural Network Terms: Optimization and Global Convergence [0.0]
  近年の研究では、ディープラーニングを用いて、科学と工学における偏微分方程式(PDE)モデルを開発した。 ニューラルネットワークを用いた線形楕円型PDEの最適化について厳密に研究する。 ニューラルネットワークは,レイノルズ平均ナヴィエ・ストークス方程式の閉包モデルとして機能する流体力学への応用のために,ニューラルネットワークモデルを訓練する。
  論文  参考訳（メタデータ） (2021-05-18T16:04:33Z)

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。