从代理到场：基于稀疏传感器序列的全球辐射时空重建
机器学习
2025-06-17 v1 人工智能
信号处理
摘要
从稀疏且间接的观测中准确重建潜在环境场是横跨多个科学领域的基础挑战——从大气科学和地球物理学到公共卫生和航空航天安全。传统方法依赖物理模拟器或密集传感器网络，两者都受限于高计算成本、延迟或有限的空间覆盖。我们提出了时间辐射算子网络（TRON），一种时空神经算子架构，旨在从稀疏、非均匀代理测量序列中推断连续的全局标量场。与近期在密集网格输入上预测未来状态的预报模型不同，TRON解决了一个更不适定的逆问题：从稀疏、时变传感器序列重建当前全球场，无需未来观测或密集标签。在全球宇宙辐射剂量重建上的验证表明，TRON在22年模拟数据上训练，可在65,341个空间位置、8,400天和7至90天的序列长度上泛化。它实现了亚秒级推理，相对L2误差低于0.1%，相比蒙特卡洛估计器实现了超过58,000倍的加速。尽管在宇宙辐射背景下进行评估，TRON提供了一个领域无关的框架，用于从稀疏数据进行科学场重建，在大气建模、地球物理灾害监测和实时环境风险预报中具有应用前景。
引用
@article{arxiv.2506.12045,
title = {From Proxies to Fields: Spatiotemporal Reconstruction of Global Radiation from Sparse Sensor Sequences},
author = {Kazuma Kobayashi and Samrendra Roy and Seid Koric and Diab Abueidda and Syed Bahauddin Alam},
journal= {arXiv preprint arXiv:2506.12045},
year = {2025}
}