Sensoformer：基于物理结构随机化的可变几何传感器集合鲁棒仿真到实际推断
机器学习
2026-05-08 v3 地球物理
摘要
从稀疏、随意的传感器阵列推断高维物理状态是 AI for Science 和工业物联网中的基本挑战。标准机器学习架构在这些领域中难以应对不规则、可变基数的传感器几何以及由未建模物理异质性引起的深刻仿真到实际分布偏移。为此，我们提出了 Sensoformer，一种集成物理结构域随机化（Physics-Structured Domain Randomization，PSDR）的集合注意力框架。通过显式随机化底层物理动态（例如传播介质、极端噪声和网络可用性丢弃）而非仅随机化视觉特征，PSDR 可确保学习域无关的物理算子。以地震源反演为严格的真实世界测试基准，Sensoformer 在 100,000 个合成数据上进行预训练，并在高度复杂的真实世界目录上进行评估。我们展示，Sensoformer 实现了最先进的精度，显著优于在极端空间稀疏和混合模态输入方面感到挑战的 Message Passing Neural Networks（MPNNs）和 Neural Operators（如 DeepONet）。此外，可解释性分析揭示，注意力机制自主发现最优实验设计原则，动态优先考虑稀疏正交传感器以克服信息瓶颈。
引用
@article{arxiv.2601.06320,
title = {Sensoformer: Robust Sim-to-Real Inference on Variable-Geometry Sensor Sets via Physics-Structured Randomization},
author = {Zhe Jia and Xiaotian Zhang and Junpeng Li},
journal= {arXiv preprint arXiv:2601.06320},
year = {2026}
}