一种用于轻量级且高保真机器学习建模的气体透射率及其物理机制的自编码器

《Optics & Laser Technology》:An autoencoder for lightweight and high-fidelity machine learning modeling of gas transmittance and its physical mechanism

【字体: 大 中 小 】 时间:2026年05月15日 来源:Optics & Laser Technology 4.6

编辑推荐:

  肖晨康|李一文|裴彬彬|张普有森|李英红摘要准确模拟气体的辐射特性对于红外遥感和红外目标辐射模拟至关重要。尽管新兴的机器学习(ML)方法相比计算成本高昂的逐线(LBL)积分方法能够实现快速推理,但在处理高分辨率光谱输出时,这些方法会受到“维度灾难”的严重限制。为了解决这一问题,本

  
肖晨康|李一文|裴彬彬|张普有森|李英红

摘要

准确模拟气体的辐射特性对于红外遥感和红外目标辐射模拟至关重要。尽管新兴的机器学习(ML)方法相比计算成本高昂的逐线(LBL)积分方法能够实现快速推理,但在处理高分辨率光谱输出时,这些方法会受到“维度灾难”的严重限制。为了解决这一问题,本研究构建了一个自动编码器(AE)模型,以实现一种轻量级的、基于潜在空间的红外光谱透射率建模方法。通过将高维光谱数据压缩到一个紧凑的潜在流形中,该策略在保留高保真物理特征的同时避免了参数数量激增的问题。利用神经缩放定律和内在维度估计进行的严格理论分析表明,复杂的光谱变化由一个稀疏的、低维的拓扑结构控制(d ≈ 2–3),从而从理论上验证了光谱压缩的可行性和必要性。随后,建立了一个端到端的回归模型,将非均匀的路径条件直接映射到这些潜在代码上。与传统的全光谱预测方法相比,这种方法使模型参数数量减少了8548倍,并将预测精度提高了13.12%。这项工作不仅阐明了光谱压缩的物理可解释性,还为实时辐射传输模拟提供了一个稳健、高效的框架。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号