論文の概要: Neuroscience Inspired Graph Operators Towards Edge-Deployable Virtual Sensing for Irregular Geometries

• arxiv url: http://arxiv.org/abs/2604.16722v1
• Date: Fri, 17 Apr 2026 21:53:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-21 21:52:52.145224
• Title: Neuroscience Inspired Graph Operators Towards Edge-Deployable Virtual Sensing for Irregular Geometries
• Title（参考訳）: エッジ展開型仮想センシングに向けた神経科学によるグラフ演算子
• Authors: William Howes, Farid Ahmed, Kazuma Kobayashi, Souvik Chakraborty, Syed Bahauddin Alam,
• Abstract要約: スパイキングニューロンの統合は、ニューロモルフィックハードウェアに組み込む際に潜在的な解決策を提供する。 現在のニューロンモデルでは、回帰に基づく仮想センシングに向け、パフォーマンスが著しく低下する。 本稿では、スペクトル-誤差畳み込み解析とエネルギー-エラーバランス損失関数を統合した可変スパイキンググラフニューラルネットワーク(VS-GNO)を提案する。
• 参考スコア（独自算出の注目度）: 4.190153363488523
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Predicting full-field physics through the real-time virtual sensing of engineering systems can enhance limited physical sensors but often requires sparse-to-dense reconstruction, complex multiphysics, and highly irregular geometries as well as strict latency and energy constraints for edge-deployability. Neural operators have been presented as a potential candidate for such applications but few architectures exist that explicitly address power consumption. Spiking neuron integration can provide a potential solution when integrated on neuromorphic hardware but the current existing neuron models result in severe performance degradation towards regression-based virtual sensing. To address the performance concerns and edge-constraints, we present the Variable Spiking Graph Neural Operator (VS-GNO) which integrates a sophisticated spectral-spatial convolutional analysis and a previously developed Variable Spiking Neuron (VSN) and energy-error balance loss function. With a non-spiking $L_2$ error baseline of $0.4\%$, VS-GNO can provide a reconstruction error of $0.71\%$ with $15\%$ average spiking in its spectral-only form and $1.04\%$ with $24.5\%$ spiking in its entire form. These results position VS-GNO as a promising step towards energy-efficient, edge-deployable neural operators for real-time sparse-to-dense virtual sensing in complex, highly irregular engineering environments.
• Abstract（参考訳）: 工学系のリアルタイム仮想センシングによるフルフィールド物理学の予測は、限られた物理的センサーを増強することができるが、しばしば疎遠な再構成、複雑な多重物理、非常に不規則な測地、およびエッジ展開可能性に対する厳密なレイテンシとエネルギー制限を必要とする。 ニューラル演算子はそのような応用の潜在的な候補として提示されているが、電力消費に明示的に対処するアーキテクチャはほとんど存在しない。 スパイキングニューロンの統合は、ニューロモルフィックハードウェアに組み込む際に潜在的な解決策を提供することができるが、現在のニューロンモデルでは、回帰ベースの仮想センシングに対して重大なパフォーマンス劣化をもたらす。 本稿では,スペクトル・空間畳み込み解析と従来開発された可変スパイキングニューロン(VSN)とエネルギー・エラーバランス損失関数を統合した可変スパイキンググラフニューラルネットワーク(VS-GNO)を提案する。 非スパイクの$L_2$エラーベースラインが$0.4\%$のVS-GNOは、スペクトルのみの$15\%$の平均スパイク$0.71\%$と、全フォームで$24.5\%$の$1.04\%$のリコンストラクションエラーを提供する。 これらの結果は、複雑な、非常に不規則なエンジニアリング環境において、VS-GNOをリアルタイムスパース・トゥ・デンス仮想センシングのためのエネルギー効率、エッジ展開可能なニューラル演算子への有望なステップと位置づけている。

関連論文リスト

• Towards Green Wearable Computing: A Physics-Aware Spiking Neural Network for Energy-Efficient IMU-based Human Activity Recognition [0.22618128882498598]
  スパイキングニューラルネットワーク(SNN)は、イベント駆動のエネルギー効率を極端に向上させるが、標準的なアーキテクチャは複雑な生体力学トポロジと時間的勾配劣化に苦しむ。 グリーンHARに適した完全乗算器のないアーキテクチャであるPhysor-Aware Spiking Neural Network (PAS-Net)を提案する。 PAS-Netは、厳密な演算を0.1pJ整数蓄積に置き換えながら、最先端の精度を達成する。
  論文  参考訳（メタデータ） (2026-04-12T04:52:52Z)
• Graph Neural Operator Towards Edge Deployability and Portability for Sparse-to-Dense, Real-Time Virtual Sensing on Irregular Grids [3.7655803383628474]
  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。
  論文  参考訳（メタデータ） (2026-04-02T09:14:59Z)
• Gradient Descent as a Perceptron Algorithm: Understanding Dynamics and Implicit Acceleration [67.12978375116599]
  勾配降下(GD)のステップが一般化されたパーセプトロンアルゴリズムのステップに還元されることを示す。 これは、ニューラルネットワークで観測される最適化力学と暗黙の加速現象を説明するのに役立つ。
  論文  参考訳（メタデータ） (2025-12-12T14:16:35Z)
• 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)
• 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)

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。