图神经算子面向边缘部署与可移植性，用于不规则网格上的稀疏到密集实时虚拟感知
机器学习
2026-04-03 v1
摘要
准确感知空间分布的物理场通常需要密集仪器，这在现实系统中由于成本、可访问性和环境限制往往不可行。基于物理的求解器通过控制方程的直接数值积分解决此问题，但其计算延迟和功耗排除了在资源受限的监测和控制系统中的实时使用。这里我们引入VIRSO（虚拟不规则实时稀疏算子），一种用于不规则几何上稀疏到密集重建的基于图的神经算子，以及一种用于网格信息图构建的可变连通性算法Variable KNN（V-KNN）。与将硬件可部署性视为次要的先前神经算子不同，VIRSO将推理重新定义为测量：谱分析和空间分析的结合提供了准确重建，无需先前基于图的方法的高延迟和高功耗，且可扩展性差，使VIRSO成为边缘受限、实时虚拟感知的潜在候选。我们在三个核热工水力基准上评估VIRSO，几何和多物理场复杂度递增，重建比率从47:1到156:1。VIRSO的平均相对L₂误差低于1%，在参数更少的情况下优于其他基准算子。全10层配置将能量延迟积（EDP）从约206 J·ms降至NVIDIA H200上的10.1 J·ms。在NVIDIA Jetson Orin Nano上实现，所有VIRSO配置的功耗低于10 W，延迟低于1秒。这些结果确立了VIRSO的边缘可行性和硬件可移植性，并将感知感知算子学习呈现为资源受限和不可访问环境中实时感知的新范式。
引用
@article{arxiv.2604.01802,
title = {Graph Neural Operator Towards Edge Deployability and Portability for Sparse-to-Dense, Real-Time Virtual Sensing on Irregular Grids},
author = {William Howes and Jason Yoo and Kazuma Kobayashi and Subhankar Sarkar and Farid Ahmed and Souvik Chakraborty and Syed Bahauddin Alam},
journal= {arXiv preprint arXiv:2604.01802},
year = {2026}
}
备注
34 pages, 5 figures, 16 tables