.png){kind=icon}
返回
Enhancing deep learning-based field reconstruction with a differentiable learning framework
.png){kind=icon}
PRE
AI
DOI：10.1038/s42256-025-01063-1.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
从稀疏传感器实现复杂高维场的精确重建仍然是一个长期的挑战。通常，重建性能主要受模型和放置的限制。稀疏且禁止的实验传感器的放置限制了信息质量，导致了艰巨的重建任务。尽管基于深度学习的模型已经取得了长足的进步，但它们通常缺乏共同优化传感器放置的能力。高维神经网络参数与低维传感器放置的联合优化进一步带来了重大困难。在这里，我们提出了一个通用的两级可微分学习框架，该框架有效地将模型与传感器放置优化 (DSPO) 集成在一起，从而可以动态搜索放置和准确的全局场重建。在此框架内，模型用可微分算子补充，以实现放置的可微分性。基于梯度的优化器通过动态更新放置来进一步增强模型。采用交替优化策略有效地解决了联合优化问题。我们证明了DSPO在各种场景下的基线模型上的效率和通用性，包括周期性和非周期性物理场，规则和不规则网格数据集以及嘈杂和无噪声的观测。我们的结果表明，DSPO显着提高了模型的重建精度和鲁棒性，并提高了与最先进性能相当的基准模型。我们的框架为实际使用神经网络和实际应用的布局优化技术提供了一个新的通用范例。从稀疏传感器准确重建复杂的高维场仍然是一个挑战。引入了可微分学习框架，该框架可实现传感器放置优化和增强的场重建。
期刊
IF:
23.9
论文数:
1.3K
被引数:
1.5W
机构
引用论文
Journey Over Destination: Differentiable Sensor Placement Enhances Generalization [Poster]旅程重于目的地：可微分传感器放置增强泛化能力 [海报].png)
IF0
PREAI
分享收藏
查看更多内容