SCNO：脉冲构型神经算子——面向核 PDE 求解的神经形态基础模型
机器学习
2026-04-14 v1 人工智能
摘要
神经算子已成为偏微分方程 (PDE) 求解器的强大替代方案，但通常作为针对单个 PDE 的单体模型进行训练，需要高能耗的 GPU 硬件，并且在新物理出现时必须从头重新训练。我们提出脉冲构型神经算子 (SCNO)，这是一种模块化架构，结合脉冲和常规组件，以解决上述所有限制。SCNO 维护一个小型脉冲神经算子模块库，每个模块在单个基本微分算子（对流、扩散、反应）上进行训练，并通过轻量级输入条件化聚合器进行组合，以解决训练期间未见过的耦合 PDE。一个小型纠正网络学习交叉耦合残差，同时保持所有模块和聚合器冻结，实现零遗忘模块化扩展。我们在八个 PDE 族（包括五个耦合系统和一个核物理相关的 1 组中子扩散方程）上进行评估。SCNO 加上纠正后，在四个五个耦合 PDE 中实现最低相对 L² 误差，分别比单体脉冲 DeepONet（提高最高达 62%，平均 3 个随机种子）和标准 ANN DeepONet（提高最高达 65%）均表现更佳，参数量仅为 95K，而单体基线为 462K。据我们所知，这是首个构型脉冲神经算子，也是首个证明具备无遗忘可扩展性的神经形态 PDE 求解概念。
引用
@article{arxiv.2604.11625,
title = {SCNO: Spiking Compositional Neural Operator -- Towards a Neuromorphic Foundation Model for Nuclear PDE Solving},
author = {Samrendra Roy and Souvik Chakraborty and Rizwan-uddin and Syed Bahauddin Alam},
journal= {arXiv preprint arXiv:2604.11625},
year = {2026}
}