[论文解读] CoNBONet: Conformalized Neuroscience-inspired Bayesian Operator Network for Reliability Analysis

Shailesh Garg, Souvik Chakraborty|arXiv (Cornell University)|Mar 23, 2026

Probabilistic and Robust Engineering Design被引用 0

一句话总结

CoNBONet 是一个受神经科学启发的、能效高的贝叶斯算子网络，具备分割一致性预测，设计用于对非线性动力系统的时变可靠性进行快速、不确定性感知的分析。它在 DeepONet 框架内使用变量尖峰神经元学习输入–输出算子，并对预测区间进行校准以获得可靠性估计。

ABSTRACT

Time-dependent reliability analysis of nonlinear dynamical systems under stochastic excitations is a critical yet computationally demanding task. Conventional approaches, such as Monte Carlo simulation, necessitate repeated evaluations of computationally expensive numerical solvers, leading to significant computational bottlenecks. To address this challenge, we propose extit{CoNBONet}, a neuroscience-inspired surrogate model that enables fast, energy-efficient, and uncertainty-aware reliability analysis, providing a scalable alternative to techniques such as Monte Carlo simulations. CoNBONet, short for extbf{Co}nformalized extbf{N}euroscience-inspired extbf{B}ayesian extbf{O}perator extbf{Net}work, leverages the expressive power of deep operator networks while integrating neuroscience-inspired neuron models to achieve fast, low-power inference. Unlike traditional surrogates such as Gaussian processes, polynomial chaos expansions, or support vector regression, that may face scalability challenges for high-dimensional, time-dependent reliability problems, CoNBONet offers extit{fast and energy-efficient inference} enabled by a neuroscience-inspired network architecture, extit{calibrated uncertainty quantification with theoretical guarantees} via split conformal prediction, and extit{strong generalization capability} through an operator-learning paradigm that maps input functions to system response trajectories. Validation of the proposed CoNBONet for various nonlinear dynamical systems demonstrates that CoNBONet preserves predictive fidelity, and achieves reliable coverage of failure probabilities, making it a powerful tool for robust and scalable reliability analysis in engineering design.

研究动机与目标

• 在随机荷载下，动性系统的非线性、高维可靠性分析及蒙特卡洛方法的计算瓶颈的动机。
• 开发一个能量高效且具不确定性感知的时变响应代理算子学习框架。
• 在 DeepONet 架构中引入神经科学启发的 Variable Spiking Neurons，以实现稀疏、事件驱动的推断。
• 引入网络权重的贝叶斯处理，以实现预测不确定性的估计，并通过分割一致性预测增强区间的校准。
• 在单自由度和多自由度非线性系统上验证该方法，以验证预测保真度和已校准的失效概率估计。

提出的方法

• 采用 DeepONet 学习输入函数 f(t;ξ)→系统响应 u(t;ξ)，其分支（输入）和主干（时间）网络。
• 在分支网络中用 Variable Spiking Neurons 代替稠密激活函数，以实现事件驱动、节能计算。
• 对网络权重进行贝叶斯处理并使用变分推断以获得对 u 的预测均值和方差。
• 通过再参数化与基于 ELBO 的损失来训练概率网络，启用用于预测的后验权重采样。
• 通过使用单独的校准数据集进行分割一致性预测来对不确定性进行校准，以获得逐时间步的预测区间。
• 给出 CoNBONet 的训练算法（算法1）以及时变可靠性估计的算法（算法2）。

实验结果

研究问题

• RQ1 CoNBONet 是否能够在随机荷载情景中准确学习时变输入–输出算子？
• RQ2 在 DeepONet 中的 Variable Spiking Neurons 是否在不牺牲预测保真度的前提下提供显著的能量效益？
• RQ3 贝叶斯与一致性预测是否能够为像首次失效时间这样的可靠性估计提供可靠、经过校准的不确定性量化？
• RQ4 与传统代理相比，CoNBONet 在单自由度和多自由度的非线性动力系统上的表现如何？
• RQ5 对时变可靠性预测区间进行校准在理论上和实际工作中的含义是什么？

主要发现

• CoNBONet 将神经科学启发的计算与贝叶斯算子学习相结合，能够实现快速、能效高且具有不确定性感知的可靠性分析。
• 分割一致性预测对预测区间进行校准，在目标置信水平下确保已校准的失效概率估计。
• 在非线性动力系统上的验证表明，在稀疏事件驱动通信下仍能保持预测保真度和已校准的可靠性估计。
• 该框架通过一致性校准在新数据上提供理论上的覆盖性保证，前提是满足交换性假设。
• 能耗分析显示在输入活动稀疏时，计算能量大幅下降，在神经形态硬件上有进一步提升潜力。