一种基于稀疏传感器的全局场重建深度学习技术
开发使用稀疏传感器收集的数据准确重建空间场的方法一直是物理学和计算机科学领域的长期挑战。最终，这些方法可以极大地帮助复杂物理系统的设计、预测、分析和控制。
迄今为止，基于线性理论的传统方法在重构复杂物理系统或过程的全局场时表现不佳，尤其是当传感器数据量有限或传感器位置随机时。近年来，计算机科学家因此一直在探索用于全局场重建的替代方法的潜力，包括深度学习模型。
庆应义塾大学、加州大学洛杉矶分校和美国其他研究所的研究人员最近开发了一种新的深度学习工具，可以准确地重建全球领域，而无需大量且高度组织的传感器数据。在Nature Machine Intelligence上发表的一篇论文中介绍了这种方法，它可以为地球物理学、天体物理学和大气科学等多个研究领域开辟新的有趣的可能性。
“从有限数量的传感器实现对复杂时间演变场的准确和强大的全球态势感知一直是一项长期挑战，”深井深和他的同事在他们的论文中写道。“当传感器以看似随机或无组织的方式稀疏放置时，这种重建问题尤其困难，这在一系列科学和工程问题中经常遇到。”
在研究大气现象、天体物理过程和其他复杂的物理系统时，研究人员通常只能访问由以无组织方式放置的有限数量的传感器收集的数据。在某些情况下，这些传感器也可能会移动，并且可能会离线一段时间。
迄今为止，由于缺乏理想的传感器数据，因此难以为这些复杂系统重建全局场。虽然深度学习技术已经取得了一些有希望的结果，但实施它们通常非常昂贵且计算量很大。
Fukami 及其同事开发的全局场重建技术将深度学习与 Voronoi 曲面细分相结合，这是一种表示和描述生物结构或物理系统的方式。过去，Voronoi 曲面细分或图表已用于科学和工程的许多领域。
“我们提出了一种数据驱动的空间场恢复技术，该技术基于基于结构化网格的深度学习方法，适用于任意数量的任意定位传感器，”Kai Fukami 和他的同事在他们的论文中解释道。“我们考虑使用 Voronoi 曲面细分从传感器位置获得结构化网格表示，从而使卷积神经网络 (CNN) 在计算上易于处理。”
研究人员创建的技术将稀疏传感器收集的数据合并到 CNN 中，将局部信息近似为结构化表示，同时保留与传感器位置相关的数据。为此，它构建了非结构化数据集的 Voronoi 细分，然后添加与传感器位置对应的输入数据字段，将其实现为掩码。
这种用于全局场重建的方法的两个优点是它与基于深度学习的技术兼容，这些技术已被证明在高级图像处理方面很有前景，并且还可以使用任意数量的传感器来实现。到目前为止，研究人员通过使用三组不同的传感器数据(即不稳定尾流、地球物理数据和 3D 湍流数据)重建全球场，证明了他们的方法的有效性。
与之前提出的方法相比，Fukami 和他的同事开发的工具还可以处理由随机数量的移动传感器收集的数据。因此，在未来，它可以有许多有价值的应用，即使在传感器以无组织方式定位的情况下，也可以实时对不同物理系统进行全局场估计。
标签：