基于事件驱动的物理信息算子学习用于可靠性分析

工程系统在不确定性下的可靠性分析面临巨大计算挑战，尤其是高维随机输入、非线性响应和多物理场耦合的问题。传统的代理建模方法往往耗能高，严重限制其在资源受限环境中的可扩展性和部署能力。我们提出NeuroPOL，即首个受神经科学启发的物理信息算子学习框架，用于可靠性分析。NeuroPOL将可变脉冲神经元引入物理信息算子架构，用事件驱动脉冲动力学取代连续激活，实现稀疏通信，显著降低计算负荷，构建高效能的代理模型。该框架降低了计算和能耗需求，支持实时可靠性评估及其在边缘设备和数字孪生体中的部署。通过嵌入支配物理规律，NeuroPOL构建的物理一致代理模型能够准确传递不确定性，高效估计失效概率，即便面对高维问题亦属无碍。我们在五个标准基准测试中评估了NeuroPOL，包括布尔方程、纳格米契方程、二维泊村方程、二维达西方程以及不可压缩纳维-斯托克斯方程（含能量耦合）。结果表明，NeuroPOL在保持与标准物理信息算子相当的可靠性指标的同时，引入显著通信稀疏性，实现可扩展、分布式和高效能的部署。