基于物理模型的神经网络残差校正与不确定性量化在温度感知AMR磁力计校准中的应用

《Metrology》：Physics-Based Calibration with Neural Network Residual Correction and Uncertainty Quantification for Temperature-Aware AMR Magnetometers

　　

精确校准在变化环境条件下的各向异性磁阻（Anisotropic Magnetoresistive, AMR）传感器，对于地球物理学、导航和航天应用中的可靠磁场测量至关重要。传统的基于物理模型的校准方法具有可解释性，但在建模复杂非线性效应方面存在局限，且通常缺乏可信的不确定性估计；而纯数据驱动方法往往存在物理一致性差和不确定性估计未校准的问题。本研究提出了一种混合校准方法，将基于物理的解析模型用于主校准，神经网络专门用于残差误差校正，并进行明确的不确定性量化。首先利用非线性多元回归估计温度补偿的解析校准模型，通过准蒙特卡洛（Quasi-Monte Carlo, QMC）采样量化基于物理的偶然不确定性（aleatoric uncertainty），并通过参数采样与基于雅可比矩阵的协方差方法相结合来传播认知不确定性（epistemic uncertainty）。解析模型未能捕获的残差误差利用异方差神经网络（Heteroscedastic Neural Networks, HNNs）进行学习，同时采用蒙特卡洛DropConnect（Monte Carlo DropConnect, MCDC）来量化神经网络的认知不确定性。最终校准输出通过整合基于物理的预测与数据驱动的误差校正及其相关不确定性计算得到。实验结果和仿真研究表明，该方法提高了校准精度，并实现了统计上一致的置信区间覆盖率。

本研究聚焦于温度感知AMR磁力计的校准问题，旨在解决传统方法在精度与可靠性方面的不足。AMR传感器因其紧凑的尺寸、低功耗和高灵敏度，广泛应用于导航系统、地磁监测、姿态确定和航天仪器。然而，原始AMR测量受到系统误差的严重影响，包括交叉轴耦合、标度因数失配、硬铁偏移以及强烈的温度依赖性，这些因素在变化的大气条件下会显著加剧，导致校准漂移和测量可靠性下降。传统的基于物理的校准广泛采用线性加偏移和温度补偿模型来校正标度因数误差、交叉轴耦合和硬铁偏移，经典方法依赖多元非线性回归或椭球拟合方法，这些方法虽能提供物理可解释的参数估计且计算可行，但本质上受限于低阶物理假设，无法完全捕获高阶非线性、滞后效应或复杂的环境相互作用。此外，传统物理校准中的不确定性量化通常仅限于最小二乘拟合的参数协方差，不足以表示输入噪声传播或大气变异性。温度诱导漂移是磁场传感的关键问题，Tamu?ynas等人对低成本AMR传感器在50°C范围内的评估显示相对参考阈值的漂移达12%–76%，而应用特定算法补偿后残余漂移降至4.9%–7.9%。纯数据驱动模型虽能捕获复杂非线性，但常忽略已知物理定律、需要大量训练数据，且可能产生物理不一致的预测或在训练分布外操作时过拟合。这些局限性促使研究人员开发结合物理模型与数据驱动残差学习的混合方法，以实现高精度和物理意义上的合理输出。

为克服上述挑战，本研究提出了一种结合神经网络残差校正和系统性不确定性量化的基于物理的校准框架。核心思想是保留校准问题的物理结构，同时采用概率深度学习方法仅对残差误差（即解析模型预测与参考测量之间的差异）及其相关不确定性进行建模。通过明确区分基于物理的不确定性与数据驱动的不确定性，该方法实现了提高精度和获得科学意义上可信置信区间的双重目标。

本研究使用Belsten等人报道的二级数据集开展验证实验。该数据集提供了AMR传感器校准的系统控制实验基准，整合了商业HMC1053三轴AMR磁力计和高精度MEDA FVM400参考磁力计的同步三轴磁场测量，在亥姆霍兹线圈产生的均匀磁场和系统变化温度条件下采集。使用这一独立发布的数据集支持可复现、客观的验证和公平的比较。

在方法论层面，研究分为四个主要阶段：基于物理的校准与参数估计、基于物理的不确定性量化、带不确定性的神经网络残差建模、以及不确定性整合与置信区间估计。解析校准模型采用温度感知的线性偏差变换，显式纳入标度因数、交叉轴灵敏度、偏移量和温度依赖效应。参数通过Levenberg-Marquardt算法进行非线性最小二乘优化估计，同时计算参数协方差矩阵。预测不确定性被分解为偶然不确定性和认知不确定性，采用嵌套蒙特卡洛框架进行处理。偶然不确定性通过QMC方法传播，利用Sobol低差异序列生成均匀覆盖输入空间的样本，较纯随机采样实现更快收敛。认知不确定性则通过参数后验采样和基于雅可比矩阵的协方差传播两种互补方法整合估计。对于神经网络残差建模，采用异方差神经网络同时估计残差均值和输入相关的预测方差，通过正则化高斯负对数似然函数训练，并用MCDC在推理时量化神经网络认知不确定性。最终校准的磁场估计为物理预测与神经网络残差校正之和，总预测不确定性通过平方和根方式整合物理与数据驱动的不确定性分量。

实验结果表明，物理校准模型有效降低了原始测量中的系统偏差，X、Y、Z三轴的RMSE分别从3.36 μT、2.17 μT、1.60 μT降低。然而残余误差仍存在轴间差异，Y轴因标度因数失配和交叉轴耦合效应最为显著。通过960种超参数组合的网格搜索，最优残差模型确定为四层64神经元结构，DropConnect率为0.01。混合方法在所有三轴均取得更低的MAE和RMSE，Y轴改善最为明显，且经验覆盖率超过95%。温度依赖性分析显示，X轴物理基础偶然不确定性小且近乎恒定，而神经网络偶然不确定性随温度变化更为显著；Y轴总不确定性普遍较高，尤其在低温时；Z轴不确定性随温度波动最大。不同似然模型的比较表明，异方差高斯形式在负对数似然和连续排序概率得分方面显著优于拉普拉斯和学生t分布，残差误差分布更接近高斯模型。

仿真研究进一步验证了框架的有效性。通过合成三轴AMR传感器数据，引入Y轴二次非线性失真模拟实际传感器中的交叉轴耦合和磁滞效应。在50,000至500,000观测样本的测试中，混合模型将Y轴RMSE从原始21 μT降至约0.78 μT，接近传感器固有噪声水平，且性能随样本量增加保持稳定。配对平方误差分析显示，混合模型相对于纯物理模型在所有轴上均具有统计显著改善（p<0.001）。

研究结论指出，提出的混合物理-数据驱动校准方法结合了温度补偿解析校准模型与概率神经网络残差校正，在保持物理可解释性的同时提高了建模适应性。基于物理的模型明确处理标度因数误差、交叉轴耦合、偏移量和温度依赖效应，而数据驱动方法捕获残余非线性。该框架通过QMC采样传播偶然不确定性，通过雅可比协方差传播和参数后验采样估计认知不确定性，神经网络组件通过HNN和MCDC进一步建模输入相关的偶然不确定性和认知不确定性。物理与数据驱动不确定性来源的整合产生了统计一致的置信区间，经验覆盖率超过99%。该框架为变化热条件下运行的AMR传感器提供了物理可解释、不确定性感知且稳健的校准解决方案，适用于地磁监测、导航和航天仪器等高可靠性应用。