arXiv cs.AI· Kazuma Kobayashi, Tapas Tripura, Jay Phil Yoo, Samrendra Roy, Diab Abueidda, Seid Koric, Souvik Chakraborty, Syed Bahauddin Alam·· 12 小时前AI 评分29
TRON：从稀疏传感器序列重建全球辐射场的时空神经算子
Spatiotemporal Reconstruction of Global Radiation from Sparse Sensor Sequences
AI 导读
研究者提出时空神经算子 TRON，可从稀疏间接的传感器历史数据中学习代理变量到物理场的映射。在宇宙辐射制图上，TRON 用 12 个中子监测站的历史数据重建 65。
正文 · AI 翻译
摘要：物理世界的大部分无法直接测量，只能通过它在其他可观测变量中留下的稀疏痕迹来触及。在此我们提出时间辐射算子网络（TRON），一种时空神经算子，学习从代理量到场的映射，从稀疏、间接的传感器历史中重建原本未被观测的物理场。在宇宙辐射制图方面，TRON 利用 12 个中子监测器的历史数据重建 65,341 个地点的海平面有效剂量，在按时间留出的一年中，相对于 EXPACS 生成的参考场，平均相对 $L_2$ 误差为 0.096\%；批量 GPU 推理评估一个全球场约需 $\sim$1~ms，而 EXPACS 在单个 CPU 线程上约需 $\sim$57.6~s。在实测气象网络上，TRON 利用温度计或气压计历史数据重建留出站点的温度，优于插值、基于日历和基于高程的基线方法。这些结果确立了代理量到场重建作为一种通用途径，可恢复超出稀疏传感器网络直接覆盖范围的、空间分布的物理信息。
| 主题： | 机器学习（cs.LG）；人工智能（cs.AI）；信号处理（eess.SP） |
| 引用为： | arXiv:2506.12045 [cs.LG] |
| （或 arXiv:2506.12045v3 [cs.LG] 查看此版本） | |
| https://doi.org/10.48550/arXiv.2506.12045 由 DataCite 颁发 arXiv DOI |
提交历史
来自：Syed Bahauddin Alam [查看邮箱]
[v1]
2025年5月24日星期六 16:24:10 UTC（4,063 KB）
[v2]
2026年9月6日星期日 22:43:10 UTC（17,572 KB）
[v3]
2026年10月20日星期二 19:27:50 UTC（6,550 KB）
来源：arXiv cs.AI · arxiv.org