北航新突破！登《Nature》子刊

通过稀疏传感器感知三维燃烧流场

对发动机研制与故障诊断极为重要

北京航空航天大学宇航学院

杨立军教授团队 及合作者

在 时空物理场智能感知和预测 方面

取得了重要进展

相关成果发表于

《Nature Machine Intelligence》

如何从稀疏的传感器测量数据中重建复杂的时空物理场是现代科学与工程中的一大关键难题。 比如，航空航天发动机测试中，传感器的数量、类型、分布以及测量信噪比等往往非常有 限，难以获取发动机内部完整的物理过程。传统重构方法难以对复杂的物理场时空演化动力学进行精确重构，而现 有的深度学习方法在面对不同的传感器配置时往往难以泛化。

为了解决这一难题，论文作者提出了一种基于扩散生成模型的智能感知方法，称为S ³ GM。S ³ GM模型分为“预训练”和“生成”两个阶段（图1）：

预训练阶段： S ³ GM在通过物理先验知识获取的时空数据上进行基于扩散模型自监督预训练，联合建模系统状态变量和参数之间的复杂动力学关系，并通过时空分离的注意力机制来减缓算力消耗。

生成阶段： 利用预训练的扩散模型作为先验，结合稀疏的传感器数据进行后验采样来对动力学系统进行重建和预测。为了生成满足观测的动力学系统随时间演化的状态变量和参数，模型将完整的待重构序列分为两段子序列，其中一段直接依赖于观测数据而另一段为外推序列（不直接依赖于观测数据）。对于依赖于观测数据的子序列，S ³ GM并行生成多个样本，并通过添加观测一致性和序列一致性约束来生成连续帧；对于不直接依赖于观测数据的子序列，S ³ GM采用自回归形式逐段生成以保证最优的效果。这种后验采样的方法不仅可以处理各种不同的传感器分布、类型等，还可以处理任意长的时间序列。

论文作者在多个不同的动力学系统上验证了 S ³ GM 的有效性，在燃烧反应扩散（图2）、湍流、以及气候（图3）等系统分别测试了各种不同的观测数据形式（包含任意时空分布的稀疏测量、统计量测量以及未来时刻预测等），结果表明 S ³ GM 可以根据相应的观测信息对动力学系统的状态变量和参数进行有效重构而无需重新训练。这意味着 S ³ GM 相比于传统的“端到端”训练方式不仅泛化能力更好，而且面对高稀疏性以及噪声数据具有更好的鲁棒性。

本研究工作获得国家自然科学基金委（重大科研仪器研制项目、重点项目、重大研究计划培育项目、面上项目）以及国家重点研发计划的支持。

第一作者

通讯作者