Une technique d’apprentissage en profondeur pour la reconstruction globale du champ avec des capteurs clairsemés

Une technique d'apprentissage en profondeur pour la reconstruction globale du champ avec des capteurs clairsemés

Présentation de la méthode de reconstruction globale du champ des chercheurs. Crédit : Fukami et al.

Développer des méthodes pour reconstruire avec précision les champs spatiaux à l’aide de données collectées par des capteurs clairsemés est un défi de longue date en physique et en informatique. En fin de compte, ces méthodes pourraient considérablement aider la conception, la prédiction, l’analyse et le contrôle de systèmes physiques complexes.

Jusqu’à présent, les méthodes traditionnelles basées sur la théorie linéaire ont obtenu des performances médiocres lors de la reconstruction de champs globaux pour des systèmes ou processus physiques complexes, en particulier lorsque seule une quantité limitée de données de capteurs est disponible ou lorsque les capteurs sont positionnés de manière aléatoire. Ces dernières années, les informaticiens ont ainsi exploré le potentiel de méthodes alternatives pour la reconstruction globale du champ, y compris les modèles d’apprentissage en profondeur.

Des chercheurs de l’Université Keio au Japon, de l’Université de Californie à Los Angeles et d’autres instituts aux États-Unis ont récemment développé un nouvel outil d’apprentissage en profondeur qui peut reconstruire avec précision les champs mondiaux sans avoir besoin de données de capteurs étendues et hautement organisées. Cette méthode, introduite dans un article publié dans Nature Machine Intelligence, pourrait ouvrir de nouvelles possibilités intéressantes pour plusieurs domaines de recherche, notamment la géophysique, l’astrophysique et les sciences de l’atmosphère.

« Atteindre une connaissance précise et robuste de la situation mondiale d’un champ complexe évoluant dans le temps à partir d’un nombre limité de capteurs est un défi de longue date », ont écrit Kai Fukami et ses collègues dans leur article. « Ce problème de reconstruction est particulièrement difficile lorsque les capteurs sont placés de manière clairsemée de manière apparemment aléatoire ou non organisée, ce qui est souvent rencontré dans une gamme de problèmes scientifiques et techniques. »

Lorsqu’ils étudient des phénomènes atmosphériques, des processus astrophysiques et d’autres systèmes physiques complexes, les chercheurs n’ont souvent accès qu’aux données collectées par un nombre limité de capteurs positionnés de manière non organisée. Dans certains cas, ces capteurs peuvent également être en mouvement et peuvent se déconnecter pendant un certain temps.

Ce manque de données de capteurs idéales a jusqu’à présent rendu difficile la reconstruction des champs globaux pour ces systèmes complexes. Bien que les techniques d’apprentissage en profondeur aient obtenu des résultats prometteurs, leur mise en œuvre peut souvent être très coûteuse et exigeante en termes de calcul.

La technique de reconstruction globale du champ développée par Fukami et ses collègues fusionne l’apprentissage en profondeur avec la tessellation de Voronoi, une façon de représenter et de décrire des structures biologiques ou des systèmes physiques. Dans le passé, les pavages ou diagrammes de Voronoi ont été utilisés dans de nombreux domaines de la science et de l’ingénierie.

« Nous proposons une technique de récupération de champ spatial basée sur les données et fondée sur une approche d’apprentissage en profondeur structurée basée sur une grille pour des capteurs positionnés arbitrairement de n’importe quel nombre », ont expliqué Kai Fukami et ses collègues dans leur article. « Nous envisageons l’utilisation de la tessellation de Voronoi pour obtenir une représentation en grille structurée à partir des emplacements des capteurs, permettant l’utilisation calculable des réseaux de neurones convolutifs (CNN). »

La technique créée par les chercheurs intègre les données collectées par des capteurs clairsemés dans un CNN, rapprochant les informations locales sur une représentation structurée, tout en conservant les données liées à l’emplacement des capteurs. Pour ce faire, il construit une tessellation de Voronoi de l’ensemble de données non structuré, puis ajoute le champ de données d’entrée correspondant à l’emplacement des capteurs, en l’implémentant comme un masque.

Deux caractéristiques avantageuses de cette méthode pour la reconstruction globale du champ sont qu’elle est compatible avec des techniques basées sur l’apprentissage en profondeur qui se sont avérées prometteuses pour le traitement d’images avancé et qu’elle peut également être implémentée avec un nombre arbitraire de capteurs. Jusqu’à présent, les chercheurs ont démontré l’efficacité de leur approche en l’utilisant pour reconstruire des champs mondiaux à l’aide de trois ensembles différents de données de capteurs, à savoir le flux de sillage instable, les données géophysiques et les données de turbulence 3D.

Contrairement aux méthodes proposées précédemment, l’outil développé par Fukami et ses collègues fonctionne également avec des données collectées par un nombre aléatoire de capteurs mobiles. À l’avenir, il pourrait donc avoir de nombreuses applications intéressantes, permettant une estimation globale du champ pour différents systèmes physiques en temps réel, même dans les cas où les capteurs sont positionnés de manière non organisée.


Les réseaux optiques diffractifs reconstruisent des hologrammes instantanément sans ordinateur numérique


Plus d’information:
Kai Fukami et al, Global field reconstruction from sparse sensor with Voronoi tessellation-assisted deep learning, Nature Machine Intelligence (2021). DOI : 10.1038 / s42256-021-00402-2

© 2021 Réseau Science X

Citation: Une technique d’apprentissage en profondeur pour la reconstruction globale du champ avec des capteurs clairsemés (2021, 15 novembre) récupéré le 15 novembre 2021 sur https://techxplore.com/news/2021-11-deep-technique-global-field-reconstruction.html

Ce document est soumis au droit d’auteur. En dehors de toute utilisation équitable à des fins d’étude ou de recherche privée, aucune partie ne peut être reproduite sans l’autorisation écrite. Le contenu est fourni seulement pour information.