面向不规则几何的边缘部署虚拟感知的神经科学启发图算子
机器学习
2026-04-21 v1
摘要
通过实时虚拟感知预测工程系统的全场物理信息可增强有限的物理传感器，但往往需要稀疏到稠密的重建、复杂的多物理场以及高度不规则的几何结构，同时受制于边缘部署的严格时延和能源约束。神经算子作为潜在候选方法，但现有架构缺乏显式针对功耗的考虑。脉冲神经元的集成可为神经形态硬件集成提供潜在解决方案，但现有神经元模型导致回归基于虚拟感知的性能严重下降。为解决性能问题和边缘约束，本文提出可变脉冲图神经算子 (VS-GNO)，其集成了精细的谱-空间卷积分析与先前开发的可变脉冲神经元 (VSN)，以及能耗-误差平衡损失函数。VS-GNO在非脉冲L2误差基准为0.4%时，可实现0.71%的重建误差（谱模式下脉冲率平均为15%），整体形式下误差为1.04%（脉冲率为24.5%）。这些结果将VS-GNO定位为面向能源高效、边缘部署的神经算子，实现复杂高度不规则工程环境中实时稀疏到稠密虚拟感知的有前景的步骤。
引用
@article{arxiv.2604.16722,
title = {Neuroscience Inspired Graph Operators Towards Edge-Deployable Virtual Sensing for Irregular Geometries},
author = {William Howes and Farid Ahmed and Kazuma Kobayashi and Souvik Chakraborty and Syed Bahauddin Alam},
journal= {arXiv preprint arXiv:2604.16722},
year = {2026}
}
备注
6 pages, 1 figure, 2 tables