研究人员全局场重建方法概述。信用:Fukami等人开发了使用稀疏传感器收集的数据精确重建空间场的方法，这在物理学和计算机科学中都是一个长期的挑战。最终，这种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。到目前为止，基于线性理论的传统方法在重建复杂物理系统或过程的全局场时性能不佳，尤其是当只有有限数量的传感器数据可用或传感器随机定位时。近年来，计算机科学家一直在探索全球场重建替代方法的潜力，包括深度学习模型。
日本庆应义塾大学、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，它可以准确地重建全球领域，而不需要大量和高度组织的传感器数据。发表在《自然机器智能》上的一篇论文介绍了这种方法，它可以为几个研究领域带来新的有趣的可能性，包括地球物理学、天体物理学和大气科学。
Kai Fukami和他的同事在他们的论文中写道:“从有限数量的传感器中实现复杂的时间演变场的精确和鲁棒的全球态势感知一直是一个长期的挑战。“当传感器稀疏地以明显随机或无组织的方式位于阿瑟时，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。”
当研究大气现象、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有限数量的传感器以无组织的方式收集的数据。在某些情况下，这些传感器也可能正在移动，并且可能会离线一段时间。
迄今为止，理想传感器数据的缺乏使得很难重建这些复杂系统的全局场。虽然深度学习技术已经取得了一些有希望的结果，但是实现它们通常非常昂贵，并且需要大量的计算。
Fukami及其同事开发的全局场重建技术将深度学习与Voronoi镶嵌(一种表示和描述生物结构或物理系统的方式)相结合。在过去，沃罗诺伊镶嵌或图表已被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，该技术基于结构化的基于网格的深度学习方法，用于任意数量的任意位置的传感器，”Kai Fukami和他的同事在他们的论文中解释道。“我们考虑使用沃罗诺伊镶嵌从传感器位置获得结构化网格表示，使得卷积神经网络在计算上易于处理。”
研究人员创造的技术将稀疏传感器收集的数据整合到一个美国有线电视新闻网中，将本地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，它构建非结构化数据集的Voronoi镶嵌，然后添加对应于传感器位置的输入数据字段，将其实现为遮罩。
这种用于全局场重建的方法的两个有利特征是，它与基于深度学习的技术兼容，这些技术已被证明有希望用于高级图像处理，并且它也可以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(即非定常尾流、地球物理数据和三维湍流数据)重建全球场，证明了他们方法的有效性。
与之前提出的方法相反，Fukami和他的同事开发的工具也可以处理随机移动传感器收集的数据。因此，在未来，它可能会有许多有价值的应用，实现不同物理系统的实时全局场估计，即使在传感器以无组织方式放置的情况下。
来源：由phyica.com整理转载自PH，转载请保留出处和链接！
