Physics-informed autoencoder for feature extraction from multidimensional sensor measurement data

Cristina Gentili

doi:10.1007/s10489-025-06892-6

Physics-informed autoencoder for feature extraction from multidimensional sensor measurement data

2025-10-30

0

OA

AI

DOI：10.1007/s10489-025-06892-6

原文链接

原文求助

摘要

En 中文

在本工作中，我们提出了一种基于物理信息的自编码器（PIAE），用于提取传感器测量数据的特征并降低其维度。该数据由碳纳米管场效应晶体管（CNT-FETs）在多次气敏实验中获取的晶体管转移特性组成，具体为漏极电流与栅极电压的测量值（ $${I_D}$$ - $${V_{GS}}$$ ）。PIAE的编码器通过额外的损失项进行训练，以输出四个具有物理可解释性的关键特征。这些特征对应典型的晶体管参数：阈值电压、亚阈值摆幅、跨导和导通状态电流。解码器模块随后从这四个关键特征重建CNT-FET的转移特性。我们在三种不同的CNT-FET器件上进行的五组不同气体测量运行中评估了该方法。与四成分主成分分析（PCA）和四参数紧凑模型相比，PIAE在重建精度方面表现更优，其重建误差的中值均方根平均提升了约50%。此外，PIAE在提供提取特征物理可解释性的同时，达到了与标准自编码器相当的重构精度，为传感器信号处理与分析开辟了新的可能性。

Keyword:

Physics-informed autoencoder

Feature extraction

Dimensionality reduction

Feature engineering

Sensor signal analysis

Transistor transfer characteristics

Carbon nanotube field effect transistor

Physics-informed autoencoder for feature extraction from multidimensional sensor measurement data

摘要

期刊

机构

引用论文