图神经网络作为基于太赫兹的流引导纳米级定位在高度错误原始数据上的赋能器

当代纳米技术与材料科学的研究进展根植于纳米器件作为一种通用工具的涌现，其协调了传感、计算、无线通信、数据存储与能量收集。这些器件为血流内的疾病诊断、治疗与监测提供了新途径。确保对诊断关注事件的精确定位——构成流引导体内纳米级定位概念的基础——将为所检测事件提供附加的诊断价值。纳米器件生成的原始数据对此定位至关重要，其包含一个事件检测指示符以及自上一台纳米器件流经心脏以来所经过的时间。纳米器件的能量约束导致间歇运行与不可靠通信，本质上影响了该数据。这提出了对该数据特征进行全面建模的需求。这些缺陷也对现有流引导定位方法的适用性具有深远影响，而后者尚未准备好应对该环境的复杂性。我们的首要贡献在于一个面向流引导定位的原始数据分析模型，剖析通信与能量能力如何影响纳米器件的数据输出。该模型充当关键桥梁，调和流引导定位的理想化假设与实际挑战。为应对这些实际挑战，我们还提出了将图神经网络(GNNs)集成到流引导定位范式中。GNNs 擅长捕捉由纳米器件所感知事件之定位中固有的复杂动态交互。我们的结果凸显了 GNNs 不仅可提升定位精度，还能将覆盖扩展至整个血流的潜力。