用于实时地磁异常检测的物理增强型 TinyML

空间天气现象如地磁扰动(GMDs)与地磁感应电流(GICs)对关键科技基础设施构成重大风险。传统基于仿真的预测模型虽具理论稳健性，却面临诸多挑战，尤其是不精确数据同化与巨大计算复杂性。近年来，Tiny Machine Learning (TinyML) 已被用于开发支持机器学习(ML)的磁力计系统，以预测实时地面磁扰动作为 GIC 的替代度量。尽管 TinyML 提供高效实时数据处理，其固有局限阻碍了采用高计算需求的稳健方法。本文开发了一个物理引导的 TinyML 框架以应对上述挑战。该框架在模型训练与压缩阶段集成基于物理的正则化，从而增强预测可靠性。框架内所开发的剪枝方案利用该领域的固有物理特性，在模型规模与鲁棒性间取得平衡。研究给出了实证结果，全面比较了所开发框架与其传统对应项在准确性与可靠性上的表现。该比较分析凸显了所开发框架在构思用于实时空间天气预测的稳健、支持 ML 的磁力计系统中的潜在适用性。